强保华，庞远超，杨明浩，曾 坤，郑 虹，谢 武，莫 烨

（1.桂林电子科技大学广西图像图形与智能处理重点实验室，广西桂林 541004；2.桂林电子科技大学广西可信软件重点实验室，广西桂林 541004；3.桂林电子科技大学 广西云计算与大数据协同创新中心，广西桂林 541004；4.闽江大学 福建省信息处理与智能控制重点实验室，福州 350108）

0 概述

图像超分辨率（Super-Resolution，SR）重建任务是由一幅或多幅低分辨（Low-Resolution，LR）图像重建出一幅具有高质量的高分辨率（High-Resolution，HR）输出图像。图像超分辨率重建是目前提高图像分辨率的主要手段，被广泛应用于视觉成像、监控设备、卫星图像和医学影像等领域，也可作为许多图像算法的前置输入部分。

图像超分辨率重建最早的研究工作是由TSAI和HUANG 在1984 年进行的，他们提出了在频域内提高图像分辨率的方法，这为推动超分辨率重建算法的研究具有重要作用。之后，很多相关的研究成果也陆续被提出来，图像超分辨率重建算法得到了快速的发展，但随着图像重建的放大倍数越来越高，在传统方法下重建的图像质量效果不是很理想，满足不了人们的要求。近年来，基于深度学习的超分辨率重建方法成为超分辨率算法研究中的热点。SRCNN［1］是首个使用卷积神经网络（Convolutional Neural Networks，CNN）结构的超分辨率算法，运用三层网络结构能够获得比其他超分辨率重建算法更好的重建效果，这说明CNN 结构可以用于端到端的训练方式来建立一个从LR 到HR 的映射图。在此基础上，更多的基于深度学习的超分辨率重建算法得到快速发展，超分辨率网络也由相对较浅的SRCNN、FSRCNN［2］和ESPCN［3］网络逐步发展为较深的VDSR［4］、SRGAN［5］和EDSR［6］网络。……