استفاده‌ی روزافزون از تصاویر دیجیتال در کاربردهای مختلف بر کسی پوشیده نیست. تقریباً در تمامی کاربردها تصاویر با تفکیک‌پذیری بالا از کارایی و کیفیت بالاتری برخوردار هستند. یک راه برای دستیابی به تصاویری با تفکیک پذیری بالا، افزایش کیفیت سخت‌افزار سیستم تصویربرداری است که منجر به افزایش هزینه می‌شود. همچنین محدودیت‌های فیزیکی سیستم سخت‌‌افزاری افزایش تفکیک‌پذیری تصویر را محدود می‌کند. در مقابل ابَرتفکیک‌پذیری روشی نرم‌افزاری است که هدف آن ایجاد تصاویری با درجه تفکیک‌پذیری بالا با استفاده از تصاویر کم دقت از صحنه می‌باشد. از آنجا که مساله‌ی ابرتفکیک‌پذیری یک مساله‌ی معکوس است، از این رو روش‌های منظمسازی که هدف آن‌ها وارد کردن اطلاعات پیشین از تصاویر در الگوریتم ابرتفکیک‌پذیری است از جایگاه ویژه‌ای برخوردار هستند. در روش منظمسازی تصادفی کلیه‌ی متغیرها و پارامتر‌های مساله به صورت متغیری تصادفی در نظر گرفته شده و اطلاعات پیشین در مورد آن‌ها به صورت توابع توزیع احتمال لحاظ می‌گردد. همچنین در روش‌های مبتنی بر یادگیری اطلاعات پیشین به طرق دیگر از جمله استفاده از دیکشنری برای اجزاء تصویر به الگوریتم اعمال می‌گردد. در این مقاله بعد از تعریف مساله ابرتفکیک‌پذیری به بررسی چالش‌های آن و کارهای انجام شده با تاکید بر روش منظمسازی تصادفی می‌پردازیم.
)
