基于学习的人脸超分辨率算法利用精准的先验知识和合理的数学模型,实现人脸超分辨率重建,因此成为了人们研究人脸超分辨率的热点课题。但是现有的一些方法存在一个限制条件:单点嵌入的先验信息不准确导致无法逼近高低分辨率图像之间实际的映射。因此,本文提出了一种基于群嵌入的单幅人脸图像超分辨率方法,该方法利用上下文信息和流形正则化群结构拓展先验知识的来源,根据单点嵌入迁移到多点嵌入,并建立多层嵌入表达的模型以提高解的稳定性,主要研究成果如下:1.基于上下文区域支持迭代表达的人脸超分辨率算法。与传统基于局部块的方法不同,本文利用上下文场提供合理的局部感受野区域以丰富先验信息。然后引入两个加权矩阵同时约束重构误差项和表示系数项以提高了解的准确性。最后,使用迭代表示学习更新所支持的字典对及其表示系数,以细化精确的高频信息。2.基于双层上下文表示的人脸超分辨率。现有的基于学习的人脸超分辨率方法虽然取得了很好的效果,但是基于上下文先验的非线性本质往往被局部线性假设所忽略。为了学习低分辨率和高分辨率图像之间精准的映射关系,提出了一种基于双层上下文表示的人脸超分辨率。在第一层中,低分辨率图像通过局部线性模型得以改善。在第二层中,核函数对增强后的低分辨率图像提供了非线性表达模型,这保持了底层流形结构的一致性,从而学习低分辨率和高分辨率之间更准确的映射关系。此外,上下文残差学习用来提高重构性能。3.基于流形正则化群局部约束表达的人脸超分辨率重建算法。传统的基于学习的超分辨率算法通过训练样本中的先验信息来预测高分辨率图像,并且通过加入各种正则化方法以改善其不适定性。但大多数算法只考虑单个块的局部流形,每个图像块的稀疏重建是独立的,导致超分辨率重建的解具有不稳定性。因此本文提出了一种基于流形正则化群局部约束表达的人脸超分辨率重建算法,以实现精确的先验表示和图像重构。首先,我们利用多个相似块集合形成群嵌入矩阵。然后,使用图正则化项和多流形正则化项来约束超分辨率重建性能的精确表示,同时,ADMM(Alternating Direction Method of Multipliers,ADMM)算法以迭代的方式求出更加稳定的解。此外,使用两步搜索策略加速嵌入块匹配。综上所述,本文通过对基于学习的人脸超分辨率算法的深入研究,提出了三种新的人脸超分辨重建模型,解决了现有方法中单一嵌入的先验信息不准确的问题,无论是在主观评价上,还是在客观评价上,所提出方法的性能均有所提升。