刘星辰，贾俊铖，张 莉，胡沁涵

苏州大学 计算机科学与技术学院，江苏 苏州215006

图像超分辨率（Super-Resolution，SR）技术指从给定的低分辨率（Low-Resolution，LR）图像中复原高分辨率（High-Resolution，HR）图像。图像超分辨率技术在视频监控、医疗图像和卫星遥感中都有普遍的应用。

随着卷积神经网络研究的一步步深入，在图像SR任务方面已取得了良好进展。Dong等人在文献[1]中提出了基于卷积神经网络的图像超分辨率方法（Super-Resolution Convolutional Neural Network，SRCNN），首次将深度学习方法应用于超分辨率。文献[2]提出了一种利用有效的亚像素卷积神经网络（Efficient Sub-Pixel Convolutional Neural Network，ESPCN）的方法。该方法在最后一层重新布置特征图以重建HR图像。随着神经网络的发展，研究人员发现更深或更广的网络通常具有更好的重建结果。但是仅依赖于更深或更广的网络会带来问题，例如梯度爆炸和收敛困难等。Kim等人基于文献[3]中的残差网络（ResNet）提出了一种新方法，使用非常深的卷积神经网络（VDSR）[4]。该网络使用跳过连接方法，通过特征图的积累，解决了由于网络层过多而引起的梯度分散问题。VDSR不仅具有快速的收敛速度，而且还适用于多尺度图像SR网络。Tai等人在文献[5]中提到通过深度递归残差网络（Deep Recursive Residual Network，DRRN）的方法，在网络中添加递归神经网络，从而大大减少了网络参数。但是上述所有网络都需要在预处理阶段将LR图像放大到所需大小，此过程不仅增加了网络计算的难度，而且所生成的HR图像过于柔和，不符合真实的自然图像。

文献[6]提出了一种方法，在SRCNN的基础上使用反卷积网络增加图像大小以达到重构效果，通过此种方式可以将原始LR图像直接进行输入，从而降低了网络的计算难度。……