刘遵雄, 蒋中慧, 任行乐

(华东交通大学信息工程学院, 南昌 330013)

图像的超分辨率重建(super-resolution on image reconstruction, SR)的主要任务是提高图像的空间分辨率。重建过程需要利用已知的低分辨率图像(low resolution image, LR)重建出具有更高像素密度的图像(high resolution image, HR)，并且重建的HR图像中还需要包含丰富的细节纹理。目前图像的SR技术分为两类：单幅图像的SR重建[1-2]和多幅图像的SR重建。所谓单幅图像的SR技术是指利用一帧探测器采集到的LR图像信息通过某种算法实现生成相应HR图像的过程。而多幅图像的SR技术是通过采集到的多帧LR图像根据它们之间的互补信息重建出HR图像。

随着神经网络以及计算机硬件的发展，基于深度学习的图像SR算法成为新一轮的研究热点。Krizhevsky等[3]提出了Alexnet网络结构，该网络在Imagenet图像分类上表现出非常好的效果，随后CNN结构被快速应用到图像分类以及图像分割等多个领域。Dong等[4]基于CNN的思想提出了SRCNN(super resolution convolutional neural nteworks)模型，该网络包含三个卷积层，分别实现特征提取、非线性变换、HR图像重建。Kim等[5]提出了一种基于循环神经网络的DRCN(deep recursive convolutional networks)的SR重建结构，该网络一共包含16层循环卷积层，每个卷积层共享权重参数，大大减少了网络的模型参数，重建效果也得到进一步提升。Goodfellow等[6]首次提出了生成对抗网络结构(generative adversarial networks,GAN)，GAN的成功使得对抗训练思想迅速被应用到生成模型中。Ledig等[7]在GAN的基础上提出了SRGAN(super-resolution generative adversarial networks)模型。该模型包含生成模型和判别模型两个部分，通过对抗训练来重建出目标HR图像，这种方法生成的HR图像纹理更加清晰自然。

受以上工作的启发，提出一种多尺度并联学习的生成对抗网络模型，主要工作如下。……