吴臣桓，杨 欣，李志强

(南京航空航天大学 自动化学院，江苏 南京 211100)

图像超分辨率重建[1-2]旨在恢复退化的图像内容，填补缺失的信息.图像超分辨率重建技术大致可以分为以下3种：①以双3次插值、双线性插值为代表的插值算法，该算法具有速度快的优点，但是重建图像的质量往往较低；②基于重建模型的算法，该算法在上采用倍数较低时拥有不错的效果，但是随着上采样倍数的增加，重建图像的质量会发生显著的降低；③基于学习[4-5]的方法，该算法通过大量的高、低分辨率图像对学习图像从低分辨率到高分辨率的非线性关系，在近年来的研究中取得了巨大的发展，成为主流的研究方向.基于学习的超分辨率重建算法最开始集中在机器学习领域，比如稀疏字典、随机森林等方法被相继提出.近年来，随着深度学习技术的发展，大量的研究转向为数据驱动的深度学习领域.Dong[3]等最先将神经网络应用于图像的超分辨重建，他们的模型SRCNN只包含了3个卷积层，但是效果优于以前非学习的方法.后来的研究利用神经网络做了大量工作，但性能的提升往往伴随着计算成本的急剧上升，计算效率并没有得到提高，这也导致高性能超分辨重建算法很难实际展开应用.对此Chu[8]、Guo[9]等开始将神经架构搜索[10-11]用于高效超分辨率重建的研究.得益于神经架构搜索超参数自动调整，网络不依赖人工设计，解空间大等优点，本文提出了一种基于神经架构搜索的……