端木春江 石亮

摘  要： 近年深度卷积神经网络在图像超分辨率领域取得了巨大成功。然而多数基于深度卷积神经的超分辨率模型不能很好地利用来自低分辨率图像的各级特征，从而导致相对较差的性能。本文采用全局特征融合的方法，对全局多层次特征进行联合学习，充分利用各卷积通道特征，通过全局跳跃连接，使网络更注重高频信息的学习，并采用亚像素卷积实现上采样重建，取得了更好的效果。

关键词： 图像超分辨率； 特征融合； 卷积神经网络； 亚像素卷积

中图分类号：TP391.41          文献标识码：A     文章编号：1006-8228（2023）04-120-04

Abstract： In recent years， deep convolutional neural networks have achieved great success in the field of image super resolution. However， most of the super resolution models based on deep convolutional network cannot make good use of features at all levels from low resolution images， which leads to relatively poor performance. In this paper， we use global feature fusion to jointly learn global multi-level features， make full use of each convolutional channel features， make the network more focused on learning high-frequency information by global skip connection， and use sub-pixel convolution to achieve up-sampling reconstruction. It achieves better results.

Key words： image super resolution; feature fusion; convolutional neural network; sub-pixel convolution

0 引言

如今數字图像成为承载信息的一个重要形式，同时人们对图像视觉清晰度的要求也越来越高。图像分辨率是指图像中单位长度所显示的像素数目，在使用场景中，高分辨率（High-Resolution，HR）图像以其丰富的纹理细节、清晰的边缘结构极大地满足了人们的视觉体验，因此人们对高分辨率图像的需求也日益提高。为应对高分辨率图像的使用需求，图像超分辨率（Super-Resolution，SR）重建技术显得尤为重要，即用软件或硬件的方法提高图像的分辨率，通过当前的低分辨率图像来获得对应高分辨率图像的过程。研究者可以从硬件及软件两个方面进行研究，但由于硬件设备容易老化，且成本相对较高而受到限制，于是研究者一般通过软件算法的方法，来实现图像超分辨率重建的过程。

1 相关工作

按算法原理，超分辨率SR方法基本分为三大类[1]：基于重构的方法、基于样例的方法和基于深度学习的方法。……