李素梅，马 力，石永莲

(天津大学电气自动化与信息工程学院，天津 300072)

单图像超分辨率重建(single image superresolution，SISR)是典型的计算机视觉问题，其目标是从低分辨率图像(low-resolution，LR)中恢复出高分辨率图像(high-resolution，HR)．近年来，随着机器学习的广泛应用，基于深度学习的卷积神经网络(convolutional neural network，CNN)被用于SISR 领域，其原理是模仿人类大脑机制来解释数据．

Dong 等[1]提出的SRCNN 首次将深度学习应用于图像超分辨率，此算法通过CNN，端到端地学习LR 到HR 的映射，仅通过3 层卷积实现了远高于传统算法的重建效果．随后，Kim 等[2]提出了VDSR，其网络深度提升到20 层，效果明显优于SRCNN．为了控制模型参数，Kim 等[3]又提出了DRCN 结构，该结构采用梯度裁剪、跳线连接和递归监督的方式减轻了深度模型的训练难度．Tai 等[4]在此基础上提出DRRN 结构，该结构将网络深度加深至52 层，利用递归操作和参数共享策略来缓解深层网络带来的参数问题．Lai 等[5]提出LapSRN 网络，通过级联逐步学习得到不同放大倍数下的重建结果．基于ResNet，Lim 等[6]提出了一个极深极宽的网络EDSR，达到了最先进的性能．

上述方法虽然能够生成高质量的超分辨率图像，但仍有以下4 个问题亟待解决．第一，更深更宽的网络结构是目前主流的设计趋势，但在运行时需要较大的计算量和内存；第二，超分辨率重建领域常用的MAE 与MSE 损失函数，其重建图像存在边缘信息模糊或产生伪影的问题；第三，单独的深层网络不利于恢复图像的外部轮廓信息，单独的浅层网络不利于恢复图像的细节纹理信息；第四，随着网络深……