刘金桥，李光平

（广东工业大学信息工程学院，广州 510006）

0 引言

近几年，基于深度学习的超分辨技术发展迅速，对低分辨率图像处理得到的图像质量和分辨率也越来越高[1-3]。基于深度学习的超分辨技术主要是利用卷积神经网络（convolution neural network，CNN）结构，使用大量的训练数据不断优化神经网络模型中的参数，最终学习到低分辨率图像与高分辨图像之间的映射关系，然后通过学习到的映射关系，对低分辨率图像进行预测得到高分辨率图像[3]。

为了得到重构性能更好的模型，基于深度学习的超分辨技术在设计网络模型时使用了越来越多的技巧调整网络模型结构、神经网络的层数也越来越深，提出了SRCNN、Fast R-CNN、SRRes-Net、SRGAN、SAN等性能良好的网络模型，但这也使得网络模型设计过程越来越复杂、得到的网络模型参数量越来越大[4-7]。这样的设计思路导致神经网络部署在实际的终端设备时，终端需要消耗大量内存存储神经网络的参数。同时在推理时需要强大的算力资源对低分辨率图像进行运算得到预测的高分辨率图像。高复杂度网络模型也导致了其在实际的推理阶段消耗时间也很长，使得许多设计出来的神经网络模型很难部署到实际环境中的终端设备中进行使用。

针对上述问题，本文提出了使用多分支卷积结构进行训练，利用多个大小不同的卷积核对图像进行特征提取与重构。训练完之后，根据网络结构的特点，对多分支卷积结构进行合并，成为单路结构，从而大大减少了网络模型部署时的需要存储的参数量[8]。……