刘 璟，宋海川，黄建设，马利庄

华东师范大学 计算机科学与技术学院，上海200062

高分辨率图像具有高密集度的像素分布，图像的空间分辨率越高，能容纳的高频细节成分越多，越有利于后续的图像与视觉分析等任务。受限于实际硬件成像水平、网络传输流量、硬盘存储空间与压缩技术，无法获得或无法存储非常高分辨率的图像，因此必须通过超分辨率技术提高图像分辨率。这种提升可以是对原图的高分辨率重建，也可以是没有原图的单纯图像放大过程。超分辨率技术已被广泛应用于医学图像处理、卫星遥感影像、高清数字电视、视频监控等高新技术领域，与计算机视觉一些交叉领域，例如，语义分割领域DUC[1]模块，通过使用超分辨率领域的Sub-Pixel 方法[2]，使其相比baseline方法提高了2%mIoU。

单图超分辨率算法的研究分为两个方向，其一目标为重建出更高感知质量的高分辨率图像，这类往往运用GAN（Generative Adversarial Networks）的技术，把已有超分辨率网络作为生成器的基础上，增加一个判别器，同时使用MSE 或L1 损失函数和VGG 等特征损失函数来重建逼真的超分辨率图像，后者具有比前者更真实的高频细节，但是与原图的一致性上不如前者。因此，在与原图更为接近、更为相似的研究方向上，复原高频细节成为了一大热点。

针对重建与原图更为接近的高分辨率图像的研究，起源于SRCNN[3]（Super Resolution Convolutional Nerual Network），早期的超分辨率网络普遍采用bicubic 上采样算法将输入与输出的特征图的尺度size放大为一致，认为这有利于进……