胡声辉，杨晓敏

(四川大学电子信息学院，成都 610065)

0 引言

图像超分辨率的目标是从低分辨率图像中获取信息来重建高分辨率图像。图像超分辨率广泛的应用于多个领域，如：医学图像处理、人脸识别、高清图像生成等。实际上，图像超分辨率是一个不适定问题，这意味着他存在着不止一种方法来重建高分辨率图像。大体的有三种方式，基于重建的方法，基于重建的方法和基于学习的方法。

近年来，深度学习发展迅速，基于此方法的图像超分辨率也得到了很好的效果。董超等人[1]参考了稀疏表示和字典学习的方式，第一次提出了一个三层的端到端卷积神经网络结构来处理图像超分辨率任务，这种方式比传统方法操作更简便，图像处理效果更好。自此，图像超分辨率努力地方向被吸引到了提高卷积神经网络的性能。之前工作把大部分精力放在了通过引入更多的参数并加深网络的深度来提高图像的精度中，缺忽略了网络模型所占用的计算资源。网络计算量和存储量的增加导致了训练难度的剧增，并且如此规模网络的网络很难应用到实际的应用场景中。其次，之前的研究都将网络的每一层来处理由上一层传递过来的所有的图像结构和特征的信息流，都没有区分不同的频率信息。而实质上，不同频率的图像信息有对应的纹理和结构，应该得到不同的处理。泰勒展开公式指出可以用函数在某一点的各阶导数值做系数构建一个多项式来近似表达这个函数，这与图像频带的分布及处理非常相似。……