梁 敏，王昊榕，张 瑶，李 杰

（山西财经大学信息学院，太原 030006）

（*通信作者电子邮箱liangmin716@163.com）

0 引言

图像在采集、传输过程中受设备、光照等环境影响，直接降低了图像的质量。数字图像超分辨率（Super-Resolution，SR）旨在通过某种模型约束条件由低分辨率（Low Resolution，LR）图像重建清晰的高分辨率（High Resolution，HR）图像，在公共安全、视频监控、医学图像处理［1-3］等方面具有强烈的需求。但根据有限的图像信息重建出更多信息是一个病态过程，所以图像超分辨率重建研究始终是一个具有挑战性的任务。

目前，图像超分辨率重建是前沿热门领域，吸引了越来越多的学者参与研究，并发表了众多有意义的工作，其中，具有代表性的有：Yang 等［4］提出的基于稀疏编码表示的超分辨率方 法（Sparse-coding-based Super-Resolution，ScSR），Timofte等［5］提出的可调整锚定邻域回归方法（Adjusted Anchored neighborhood regression for fast super-resolution，A+）。近年来，基于深度学习的超分辨率方法表现出良好的性能。Dong等［6］提出了基于卷积神经网络的图像超分辨率重建（Super-Resolution using Convolutional Neural Network，SRCNN）方法，将卷积神经网络应用于超分辨率，实现了以低分辨率图像作为输入、高分辨率图像作为输出的端到端映射的重建模型。Wang 等［7］将传统的稀疏编码模型与深度学习相结合，提出了基于稀疏编码的网络（Sparse-Coding-based Network，SCN）。Dong 等［8］修改了SRCNN 模型，提出了加速的超分辨率卷积神经网络（Fast Super-Resolution Convolutional Neural Network，FSRCNN），通过在网络末端添加反卷积层替代SRCNN初始上采样操作，使得不同比例缩放因子可以共享卷积层权重，提升了重建速度。Kim 等［9］应用残差学习并结合可调梯度裁剪策略提出了超深卷积神经网络的图像超分辨率方法（Super-Resolution using Very Deep convolutional network，VDSR）。李现国等［10］设计了具有中间层监督的网络模型（Intermediate Supervision Convolutional Neural Network，ISCNN），借助监督层误差函数来改善网络梯度消失现象。……