鲁 甜，刘 蓉，刘 明，冯 杨

（1.华中师范大学物理科学与技术学院，武汉 430079；2.华中师范大学计算机学院，武汉 430079）

0 概述

图像超分辨率（Super-Resolution，SR）重建由HARRIS 等人于20 世纪60 年代提出，其按照重建时输入所需低分辨率（Low-Resolution，LR）图像数量可分为单幅重建和多幅重建。单幅图像超分辨率（Single Image Super-Resolution，SISR）重建问题是一个不适定的逆问题，旨在将LR 图像通过一定的算法重建到视觉较好的高分辨率（High-Resolution，HR）图像上。

随着深度学习的快速发展以及高性能GPU 的出现，以卷积神经网络（Convolutional Neural Networks，CNN）为代表的学习方法［1-3］广泛应用于SR 图像中，通过学习LR 到HR 的非线性映射构造HR 图像。文献［1］将三层CNN 引入SR 图像中，并构建基于CNN的超分辨率重建（Super-Resolution using CNN，SRCNN）模型，该网络模型的3 个卷积层分别表示特征提取、非线性映射和图像重建，其可直接学习LR图像与HR 图像之间端到端的映射关系，取得相较传统方法显著的改进效果。文献［4］提出一种基于较深卷积网络的精准超分辨重建模型，其将网络深度增加到20 层，并通过残差学习和自适应梯度裁剪来降低深度网络的训练难度。为控制模型的参数数量，文献［5］提出一种通过递归监督和跳过连接的深度递归卷积网络（Deep Recursive Convolutional Networks，DRCN），其相比SRCNN 取得显著效果。在文献［6］提出残差网络（ResNet）后，很多研究人员将残差网络引入基于CNN 的图像超分辨率方法中。文献［7］利用多层连接CNN 实现低层次特征和高级特征的级联。文献［8］通过使用简化的残差块构建较宽网络EDSR 和较深网络MDSR（大约有165 层），EDSR 和MDSR 对超分辨重建图像性能的显著改进证明了网络深度对SR 的重要性。……