蔡体健，彭潇雨，石亚鹏，黄 稷

（华东交通大学信息工程学院，江西南昌330013）

1 引 言

图像超分辨率（Super-Resolution，SR）作为计算机视觉领域的一个重要分支，一直是研究者们关注的热点问题。单幅图像超分辨率的目的是提升图像分辨率，即将单幅低分辨率（Low-Resolution，LR）图像恢复成高分辨率（High-Res⁃olution，HR）图像，这是一个经典的不适定逆问题。由于其在监控设备、遥感卫星图像［1］和医学影像［2］等领域都有非常重要的应用价值，大量的相关算法不断涌现，从早期的基于插值法［3］到各种利用内部自相似性法［4］和稀疏表示法［5］，再到现如今基于学习的方法［6］。图像超分辨率方法的性能越来越好，特别是深度学习的应用让超分辨率重建质量得到快速提升。

Dong等［8］首次提出一个只有三层的超分辨率卷积神经网络（Super-Resolution Convolution⁃al Neural Network，SRCNN）来完成低分辨率图像到高分辨率图像的映射，与之前的方法相比性能有了很大提升，但仍然存在一定局限性。随后，Kim等［9］又将SRCNN进行改进把网络加深到接近20层，并在最后重建层加入了一个跳连接使得网络VDSR（Very Deep Convolutional Net⁃works）只需学习残差。这样既可以减轻加深网络带来的梯度爆炸/消失的问题，又能避免重复学习，加快收敛。VDSR所带来的提升也证明了更深的网络能提高网络模型的表达能力，带来更好的超分辨率效果。残差学习所取得的显著效果使其被应用到越来越多的超分辨率网络模型。Shi等［10］极具创意地提出了一种有效的亚像素卷积网络模型（Efficient Sub-Pixel Convolutional Neural Network，ESPCNN），该网络可以将卷积后所得的特征进行像素重排直接得到高分辨率图像，并不需要像SRCNN那样对低分辨率图像进行插值预处理。……