黄扬鈚， 梁红珍， 彭智勇

(1.桂林电子科技大学 电子工程与自动化学院，广西 桂林 541004;2.桂林生命与健康职业技术学院，广西 桂林 541001)

图像超分辨率重建能针对细节缺失的低分辨率图像，重建出细节更丰富、画质更清晰的高分辨率图像。在医学图像处理、卫星遥感影像、安防监控及图像压缩、传输等领域中有着广泛的应用。但一幅低分辨率图像，有无数幅与其对应的高分辨率图像，故超分辨率重建是一个病态问题。为解决该问题，研究人员提出了多种基于深度学习的图像超分辨率重建算法[1]。

2014年，由Dong等[2]首次提出基于卷积神经网络的图像超分辨率重建算法SRCNN，该网络仅使用3个卷积层，却取得比传统方法更好的重建质量；Kim等[3]采用残差结构提出VDSR，其网络有20个卷积层，更深的网络层拥有更大的感受野，并引入全局残差学习，超分辨率重建性能得到较大的提升；SRCNN和VDSR结构中，先使用双三次插值将低分辨率图像放大到目标尺寸作为第一个卷积层的输入，增大了计算量[4]。Dong等[5]对SRCNN进行改进，提出快速超分辨率卷积神经网络FSRCNN，直接以低分辨率图像作为输入，在最后一层使用反卷积进行图像放大；Tai等[6]对VDSR进行改进并提出DRRN，把网络结构加深到52层，引进局部残差和多权重递归学习方法，使性能得到进一步提升；2018年，Li等[7]提出多尺度残差MSRN，第一次在残差结构中使用多尺度模式，采用不同的尺度提取到更丰富的特征，但所用的多尺度特征提取模块计算复杂度高、参数量大；……