王诗言，曾 茜，周 田，吴华东

（重庆邮电大学通信与信息工程学院，重庆 400065）

0 概述

图像处理技术快速发展，而人们对图像质量的要求也逐渐提高，如何获取高质量的图像成为迫切需要解决的问题。单幅图像超分辨率重建（Single Image Super-Resolution，SISR）指由低分辨率（Low-Resolution，LR）图像恢复出高分辨率（High-Resolution，HR）图像，该技术目前已被广泛应用于计算机视觉、医学成像、卫星图像和视频安全监控等多个领域。

目前，图像超分辨率重建方法主要有基于插值、基于重建和基于学习［1-2］三类。DONG 等人提出端到端卷积神经网络SRCNN 来学习LR 和HR 图像之间的映射关系［3］。SRCNN 体现了卷积神经网络（Convolutional Neural Network，CNN）在特征提取和表示方面的优越性，该网络结构可被看作是传统稀疏编码方法的扩展。此后，DONG 等人又提出了快速超分辨率卷积神经网络FSRCNN［4］，通过在网络末端使用反卷积层，有效地获取了原始图像中的高频信息。随着卷积神经网络深度的不断增加，网络训练的难度也越来越大。针对这一问题，HE 等人提出了残差神经网络（Residual Neural Network，ResNet）［5］，通过引入残差学习的思想加速网络的收敛。在此基础上，KIM 等人提出了深度卷积网络VDSR［6］。通过对残差学习的利用，该网络使用了20个卷积层，有效增加了网络深度。为减少网络参数数量，KIM 等人进一步提出了深度递归卷积网络（Deeply-Recursive Convolutional Network，DRCN）［7］，通过使用递归结构，引入递归监督和跳跃连接。为解决实时超分辨率重建问题，SHI 等人提出一种高效的亚像素卷积神经网络（Efficient Sub-Pixel Convolutional Neural Network，ESPCN）［8］，利用亚像素卷积的上采样方式实时恢复HR 图像。LEE 等人提出了增强深度残差网络（Enhanced Deep Residual Network，EDSR）［9］，删除了批规范化（Batch Normalization，BN）操作，并大规模增加了每一层的输出特性。……