王梦露

(合肥工业大学 数学学院，合肥 230601)

1 引 言

近年来，随着计算机科学技术的进步和卷积神经网络的引入，单图像超分辨率存在的诸如抽取、噪声或模糊等多种退化问题有了更好的解决途径.在深度神经网络[7]提出“越深越好”的思想后，加深模型的深度成为提高图像质量的新途径，深层神经网络对网络结构非常敏感，因此模型结构的设计在训练深层神经网络中非常重要.利用激活函数为神经网络引入非线性，可以任意逼近任何非线性映射，进而应用于许多非线性模型.线性整流函数ReLU解决了反向传播过程中的梯度消失问题，降低了计算复杂度，但是当一个非常大的梯度通过ReLU时，在参数更新后，该单元不再激活任何数据，因此梯度将始终保持不变为零，实验上，如果学习率太高了，ReLU将无法正常工作.引入周期性激活函数来代替ReLU，由于它的可微性和连续性，可以更好地保留图像的细节，网络实验表明，改进后的结构产生了更好的效果.

2 相关工作

解决超分辨率问题主要有两种方法，一种是基于恢复的方法，更侧重于空间信息的增强，但主要缺点是先验信息利用不足，它们需要精确的亚像素运动估计，对模型的要求也很严格.第二种是基于学习[4]的方法，它可以将机器学习和模式识别算法相结合，采用学习模式有针对性地重建目标类.与基于恢复的方法相比，基于学习的方法性能更好，大大降低了计算复杂度，但训练数据库……