胡高鹏，陈子鎏，王晓明，2*，张开放

（1.西华大学计算机与软件工程学院，成都 610039；2.西华大学机器人研究中心，成都 610039）

（*通信作者电子邮箱hgp9411@163.com）

0 引言

在如今数据爆炸的时代，图像数据占据着尤为重要的地位，同时人们对图像分辨率的需求也越来越高。但是依靠提高硬件设施来提高图像的清晰度，不仅难度大、成本高，而且实用性差。图像超分辨率（Super-Resolution，SR）技术便是使用数字信号处理技术将单张LR图像或一组LR图像序列重建成HR 图像。作为近些年来研究的热点问题，图像SR 任务又可分为单帧图像超分辨率（Single Image Super-Resolution，SISR）［1-9］、多帧图像超分辨（Multi-Frame Super Resolution，MFSR）［10-12］和视频超分辨率（Video Super-Resolution，VSR）［13-15］。本文主要研究单帧图像超分辨率的问题，即只利用单幅图像的高频和低频信息进行图像SR重建。

随着对SR 任务研究的深入，涌现出了大量的SR 算法，这些算法大致可分为三类：基于插值的方法、基于重建的方法、基于学习的方法。由于近些年深度学习在计算机视觉各领域都取得了突出的表现，所以基于学习的SR方法也成为了超分辨率技术研究的热点。Dong 等［1］首次将卷积神经网络应用于SISR 问题，提出了（Super-Resolution Convolutional Neural Network，SRCNN），并取得了优越的表现。Kim 等［2］提出了（Super-Resolution using Very Deep Convolutional Network，VDSR），使用残差的思想缓解了梯度消失或梯度爆炸的问题，将网络层数增加至20 层，由于只学习图像的高频信息，所以提高了收敛速度，同时在VDSR中使用了较大的感受野来提升效果并且在单模型中考虑到了多尺度问题。之后Kim 等［3］考虑到参数规模的问题又提出了（Deep Recursive Convolutional Network，DRCN），即使用递归的网络结构，共享网络结构之间的参数，有效地降低了训练的难度；……