刘锡泽，范 红，海 涵，王鑫城，许武军，倪 林

（东华大学 信息科学与技术学院，上海 201620）

0 概述

单幅图像超分辨率（SISR）重建是利用软件算法将低分辨率（Low-Resolution，LR）图像重建为更清晰的高分辨率（High-Resolution，HR）图像，其被广泛应用于卫星图像、医学影像、监控等计算机视觉领域。

传统的图像超分辨率方法包括基于插值的方法、基于重建的方法［1-2］、基于传统学习的方法［3-4］等。近年来，研究者在SISR 中广泛采用基于卷积神经网络的方法。DONG 等［5］提出图像超分辨率网络SRCNN，该网络包含特征提取、非线性映射和重建3 个部分，且网络经过大量样本训练，重建效果超过了传统的图像超分辨率方法。KIM 等［6］于2016 年提出VDSR 网络，该网络将层数提升到了20 层并且受残差网络ResNet［7］的影响，设计全局残差学习方法，在提升重建效果的同时加快网络收敛。为减少模型参数，TAI 等［8］提出一种深度递归残差网络DRRN，在减少参数量的同时进一步提升了重建效果。

由于以上算法在重建之前都要经过双三次插值算法的预处理，而这种处理会丢失原图像中的一部分高频信息，同时提高了计算的复杂程度，因此研究者又提出了直接在原始LR 图像上进行卷积，最后上采样到HR 图像的算法。DONG 等［9］提出FSRCNN 网络在图像重建过程中采用反卷积层进行上采样操作。SHI 等［10］提出一种高效的亚像素卷积网络ESPCN，相比反卷积层，该网络的亚像素卷积算法降低了计算复杂度，避免产生由反卷积层带来的棋盘格效应，提升了重建效果。

在上述网络基础上，一些研究者致力于增加网络深度，提升网络重建效果。……