张 永，吕 庚

兰州理工大学 计算机与通信学院，兰州730050

图片的超分辨率（super resolution，SR）是从低分辨率（low resolution，LR）图像中恢复高分辨率（high resolution，HR）图像的过程，是计算机视觉和图像处理领域中一种重要的图像处理技术。得益于深度学习的发展，深度神经网络（DNN）被应用于包括图像分类、视频理解和许多其他应用。基于深度神经网络的超分辨率模型通过学习从LR图像到HR图像的非线性映射函数，在图像超分辨率方面表现出了良好的性能，使基于深度学习的图像超分辨率成为研究从LR 图像中重建HR图像的一项重要应用。

Dong 等人[1]首先提出了一种三层卷积神经网络，称为SRCNN（super-resolution convolutional neural network）。SRCNN采用双三次插值将LR图像放大到目标倍数，然后再输入三层卷积神经网络学习LR图像和HR图像之间的映射关系，成功使用CNN 解决超分辨率问题。在此之后，基于卷积神经网络，提出了许多方法来提高SR性能。Kim等人[2]第一次将残差学习融入CNN网络并提出一种深度卷积神经网络，He等人[3]在残差学习基础上针对超分辨率问题首次提出了残差网络结构，通过恒等连接构建深度残差网络来克服退化问题。Haris 等人[4]提出了一个反馈网络（DBPN），该网络由多个上、下采样层组成，迭代式生成LR 和HR 图像，通过迭代上下交替采样的纠正反馈机制，重建出具有丰富纹理细节的图像，在高倍数重建上表现出良好的质量。Zhang 等人[5]提出建立通道注意力机制，通过通道间的相互依赖性来自适应地调整不同通道的权重，构建了RCAN的深度模型，RCAN允许丰富的低频信息通过多个跳跃连接直接进行传播，使主网络专注于学习高频信息，从而使模型更好地学习图像的纹理细节特征，进一步提高SR 的性能。……