李思平 林志贤 郭太良

(福州大学物理与信息工程学院 福建 福州 350116)

0 引 言

图像超分辨率(Super-Resolution，SR)重建技术旨在从一幅或多幅低分辨率图像重建出一幅高分辨率图像。本文主要研究单幅图像超分辨率重建(Single Image Super-Resolution，SISR)。

Dong等[1]首次提出了端到端的图像超分辨率重建方法SRCNN，通过图像特征提取层、非线性映射层和重建层完成对单帧低分辨率图像的超分辨率重建。Kim等[2]提出了一种极深的卷积网络VDSR，该网络达到20层，运用了残差学习与梯度裁剪来解决梯度爆炸问题。Ledig等[3]提出SRGAN，将基于生成模型的对抗网络GAN[4]用于超分辨率重建中。

尽管目前深度学习方法应用在图像超分辨率重建技术上已经取得了巨大的进步，但是仍然存在以下问题：(1) 随着网络的加深，会出现梯度消失的现象，训练时间久且难以训练；(2) 大部分深度学习方法获取低分辨率图像的方法是简单的通过人为假定的下采样过程获得，比如双三次插值(Bicubic)，因此训练出来的模型不能处理现实生活中由于各种模糊、噪声及运动干扰的低分辨率图像；(3) 高质量数据集的缺失。

本文提出了一个端到端的双向对抗生成网络，包括一个重建网络(Low to High)旨在将低分辨率图片恢复成高分辨率图片，及模拟现实生活中的低分辨率图像的下采样网络(High to Low)，该网络将高分辨率图片通过学习的方法生成低分辨率图片从而取代人为简单的通过降采样而产生的低分辨率图像。较之前的SRCNN、VDSR、SRGAN等方法，本文提出的算法在Set5、DIV2K等通用测试数据集的主观视觉评价和客观量化指标均超越它们。……