王 宇，宁 媛

（贵州大学 电气工程学院，贵阳 550025）

0 引 言

近年来，为了提升图像的质量，人们从设备着手，通过对硬件进行升级改造可以提升成像系统性能，提高图像分辨率。然而，考虑到各方面的因素，诸如硬件的制作成本、制作工艺等一些限制，学者通过研究对原始图像进行图像处理操作来获得更高分辨率的图像，因此产生了图像超分辨率技术［1-2］。

基于深度学习的图像SR积累了大量的关注度，它已经延伸到各种现实世界的应用中。如医学成像、视频监控、遥感、图像分类、检测、识别和去噪。然而，现有的用于图像SR的卷积神经网络一般有两个局限性：一是网络深度很深，不仅削弱了自下而上的信息流，而且模型容量大，计算负担大；其二网络架构往往是前馈式的，使得前几层无法捕捉到后几层的有用信息，限制了特征学习能力。

因此，根据网络模型中存在的大量冗余参数，研究者提出了网络模型压缩方法，并将模型压缩方法分为浅层压缩和深层压缩两大类。具体分类如图1所示。本文主要从轻量化网络模型出发，介绍提出的几种轻量化网络模型。

图1 模型压缩分类Fig.1 Model compression classification

1 轻量化网络

神经网络轻量化的原则是获得更高效的网络，优化网络结构和卷积计算，减少网络参数的同时不损失性能，加强对网络内部的理解。下面将主要介绍近年来的几种轻量化压缩网络。

1.1 LGCN

文献［3］中提出了一种针对SISR的快速轻量级组卷积网络（LGCN）模型，该模型结构如图2所示。其主要由三部分组成：特征提取网（F-Net）、级联记忆群卷积网（C-Net）和重建网（R-Net）。……