在大多数超分辨率重建算法中，假定高分辨率（HR）和低分辨率（LR）图像具有相同的流形。 但是，这种假设不适合实际应用。 因此，本文提出了一种新的算法，该算法考虑了HR和LR图像之间的流形不一致。 在提出的方法中，首先训练LR字典和备用表示系数集。 然后，可以基于第一步中获得的HR样本集和备用表示系数来获得HR字典。 引入PCA算法来减少LR特征图像的维数，从而减少字典训练时间。 提供了全局优化算法以消除重建图像的块效应。 结果表明，该方法在客观评价和主观视觉效果两方面都可以快速减少训练时间，提高

基于图像在过完备字典下的稀疏表示,建立了稀疏性正则化的多帧图像超分辨凸变分模型。模型中的正则项刻画了理想图像的稀疏性先验约束,保真项度量其在退化模型下与观测图像的一致性。基于线性化Bregman方法,将正则项替换为其Bregman距离,对保真项进行线性化,从而可将原问题解耦,进而提出求解该模型的两步迭代算法:第一步为仅对正则项的阈值收缩操作,第二步为仅对保真项的梯度下降操作。此方法大幅度降低了计算复杂性,并能够对噪声保持鲁棒。实验结果表明,只需较少次数的迭代就可获得很好的超分辨重建结果,验证了本