白明明, 张运杰, 张 膑

(大连海事大学数学系，大连 116000)

图像超分辨率(image super-resolution, ISR)任务是通过增加图像中单位面积中像素个数来提高图像的空间分辨率。在图像超分辨率重构过程中对已有的低分辨率(low resolution, LR)来恢复出包含丰富纹理细节的高分辨率(high resolution, HR)图像。目前可以将ISR算法分成两大类：单帧ISR重构和多帧ISR重构[1-2]。单帧图像SR重构算法是利用单独一张低分辨率图像来重构出相应的HR图像；多帧图像SR重构算法则是将多帧内容和结构相似的视频序列来重构出一张或多张HR分辨率图像。

卷积神经网络(convolutional neural network，CNN)凭借着强大的非线性拟合能力，在各个领域广受欢迎，特别是在图像处理或者计算机视觉领域大放光彩。Dong等[3]首先将CNN应用到图像超分辨率重建领域，提出了SRCNN(super resolution convolutional neural network)，他们利用成对的LR/HR图像来训练一个具有三层卷积的神经网络模型，来拟合LR和HR图像之间的非线性映射关系，从而LR图像可以通过这种非线性映射来重构出相应的HR图像。Kim等[4]在图像识别的深度卷积神经网络VGG(visual geometry group)的启发下，提出了一种网络非常深的超分辨率重建方法VDSR(accurate image super-resolution using very deep convolutional networks)，并且证明了随着网络的加深，模型的性能也有较大的提升，与此同时计算代价也是越来越大。Haris等[5]提出了一种持续进行迭代的上采样和降采样的深度反向投影网络(deep back projection network，DBPN)的超分辨率方法，很好地利用了传统算法迭代反投影，并通过深度网络实现出来的结构，为每个阶段的映射错误提供错误反馈机制。Li等[6]采用迭代上采样的方法提出了SRFBN(feedback network for image super-resolution)模型，充分将不同深度的特征信息映射重建高分辨率图像。……