夏 皓，吕宏峰，罗 军，蔡 念

1.工业和信息化部电子第五研究所，广州511370

2.广东工业大学 信息工程学院，广州510006

图像超分辨率重建（Super-Resolution restoration，SR）是用低分辨率（Low Resolution，LR）图像重建出对应的高分辨率（High Resolution，HR）图像的过程。目前，图像超分辨率技术已经成功应用于卫星遥感图像[1]、医学图像[2]、生物特征识别[3]等计算机视觉和图像处理领域。

传统图像SR算法主要基于插值或基于传统机器学习实现超分辨率重建。基于插值的算法实现简单且已广泛应用，但是其高度依赖于小范围的邻域信息，重建图像往往较为模糊，甚至产生振铃现象，在放大倍数（如4倍、8倍）较大时尤为严重。基于传统机器的算法假设任意自然图像可以表示为字典元素的稀疏线性组合，通过对LR图像块字典和HR图像块字典的联合训练，学习LR图像到HR图像的映射。但是这类方法高度依赖于字典设计，且计算复杂、实时性不高。近些年，由于深度学习具有通过卷积操作在大量数据中进行特征自学习的优势而得到了大量研究和应用，尤其是在图像SR更是涌现了大量性能卓越的网络模型，并在众多领域得到了广泛应用。

1 用于图像超分辨率的深度学习模型

目前用于图像超分辨率的深度学习模型根据网络结构特点大致可以分为以下几类。

1.1 全卷积网络与类全卷积网络

全卷积网络为没有全连接层的卷积神经网络，可以支持不同大小的输入及全图端到端的训练。类全卷积网络则是级联卷积层和反卷积层的网络。

香……