代 强，程 曦，王永梅*，牛子未，刘 飞

（1.安徽农业大学信息与计算机学院，合肥230036； 2.南京理工大学计算机科学与工程学院，南京210094）

（∗通信作者电子邮箱wym@ahau.edu.cn）

0 引言

图像超分辨率重建技术具有非常广阔的应用前景，在视频游戏、高清音视频、医学成像等许多领域具有很高的实用价值。单幅图像超分辨重建是一个典型的计算机视觉问题，旨在将低分辨率（Low-Resolution，LR）图像重建为高分辨率（High-Resolution，HR）图像。此外，神经元科学领域的信息门控以及注意力机制［1-2］的思想对于构造出更好的单幅图像的超分辨率重建网络影响很大。随着深度学习的不断发展，深度学习已应用于许多图像超分辨率重建任务。与早期算法相比，卷积神经网络具有更高的性能。AlexNet［3］在图像识别中的出色表现使深度卷积神经网络成为当今的研究热点。之后，VGG［4］证明了通过加深卷积神经网络各层来增强识别性能的方法，但是，随着网络的深入，模型的训练变得越来越困难。为了解决这个问题，Highway Network［5］被提出，随后的深度残差网络（deep Residual Network，ResNet）［6］使极深的网络模型成为可训练的。卷积神经网络在早期只用于识别任务，但是后来发现卷积网络在许多领域都具有巨大的价值，例如目标检测［7-8］、图像语义分割［9-10］和图像风格迁移［11-12］等。图像超分辨率重建是计算机视觉领域的重要任务，诸如最近邻插值、双线性插值和双三次插值之类的早期插值方法已在各种软件中广泛使用。然而，以上图像重建方法几乎不能达到令人满意的水平。

Yang等［13-14］提出了基于经典稀疏编码的图像超分辨率重建方法，并取得了良好的效果；……