王凡超，丁世飞,2

（1.中国矿业大学 计算机科学与技术学院，江苏 徐州 221116;2.矿山数字化教育部工程研究中心，江苏 徐州 221116）

如今，图像处理技术和信息交互快速发展，图像作为极其重要的信息载体，在公共安防、医学诊疗、卫星遥感等应用领域中愈发重要，但环境和噪声等因素的干扰，导致图像出现质量低或者细节的纹理信息缺乏等问题[1]。图像超分辨率(super resolution,SR)，特别单图像超分辨率(single image super-resolution,SISR)，几十年来受到广泛关注。单图像超分辨率为了通过技术手段将低分辨率(low-resolution,LR)图像重新构建为高分辨率(high-resolution,HR)图像，使其具有良好的高频、纹理和边缘信息。经过几十年发展，图像超分辨率逐渐被分为基于插值[2-3]、基于重建[4]和基于学习[5]三大类。

基于插值和重建超分辨率算法属于传统算法，都运用经典的数学模型算法，但随着放大因子的增大，这两种算法提供的用于重新构建高分辨率图像的细节信息资源不足的弊端逐渐显露，使得这些传统算法很难达到重建高频信息的目的。

深度学习高速发展以来，图像重建领域也开始使用深度学习模型来完成特定任务。2014 年，Dong 等[6]最先将卷积神经网络应用到图像超分辨率任务上，提出了超分辨率卷积神经网络(super-resolution convolutional neural network，SRCNN)模型，该模型进行端到端的图像对训练，在当时大大提高了重建效果，同时也开辟了超分辨率技术的新时代。2016 年，Kim 等[7]将超分辨率任务与残差思想进行结合，提出了使用非常深的卷积网络超分辨率(super-resolution using very deep convolution network,VDSR)模型，同时将网络的深度增加到了20 层，证明了深层网络能提取出更多的特征，取得更好的重建效果。……