李雪静 马帅 孙清清 刘川鄂 熊巍

摘要：基于深度卷积网络的强大学习能力和非线性特征表达能力，如何充分提取细节信息，使重构图像达到理想水平成为了该领域关注的热点。基于目标识别中的金字塔模型，本文提出了一种多尺度特征融合的图像超分辨方法，以充分提取多尺度特征信息并将其融合。该方法的基本思想是将特征图像金字塔（FPN）引入RDN网络，使其充分利用同一放大因数下不同维度的特征表达。金字塔模型可以有效赋能常规RDN模型，进而生成表达能力更强的特征映射。因此，金字塔模型增强了主干网络RDN的特征表达，使其得到更好的重构效果。

关键词：单幅图像超分辨率;深度学习;多尺度特征融合

1引言

单个图像超分辨（SISR）有一个众所周知的不适定性问题，因为一个特殊的低分辨率（LR）图像能够对应许多可能的高分辨（HR）图像，并且我们想要从LR映射到的HR空间（在大部分情况下，它一般是自然图像空间）通常是很难处理的。

因为深度学习（Deep Learning，DL）可以有效提取连接LR和HR空间的抽象信息，最新的基于深度学习的SISR方法已经在数量上和质量上取得了重大的突破。SRCNN结构相对简单，可以看做是用一个端对端的方法在LR和HR之间近似复杂映射的卷积神经网络。Kim等人提出深度网络VDSR和DRCN，应用了一个相关的高初始学习率来加速聚合并且用梯度裁剪来避免噪声梯度爆炸问题。DRCN为了参数共享第一次在深度网络中引入残差学习[1]。这些方法都需要对原始的LR图像进行内插处理，使其变成理想的大小。……