0 引言

圖像超分辨率(Super Resolution，SR)技術作為計算機視覺與圖像處理中一項至關重要的技術，一直以來都是人們關注的焦點，其目的是從低分辨率(Low-Resolution，LR)的圖像中恢復出清晰逼真的高分辨率(High-Resolution，HR)圖像。圖像超分辨率技術在醫(yī)學影像、衛(wèi)星圖像以及監(jiān)控成像等各個領域有著廣泛的應用。

目前圖像超分辨率重建算法主要被分為三大類：基于插值的SR方法、基于重建的SR方法以及基于學習的SR方法。基于插值的圖像超分辨率算法[1]的思想是根據(jù)一個像素點的周圍某一區(qū)域內的像素點來估計這一像素點的值。這類算法的優(yōu)點在于原理簡單、計算復雜度低、重建所需時間短，但是會產生過度平滑的現(xiàn)象，邊緣產生明顯鋸齒。基于重建的圖像SR方法[2]，比較典型的有凸集投影法、迭代反投影法以及最大后驗法。基于重建的方法在一般情況下會比基于插值的方法重建效果好，但是基于重建的方法有時也會出現(xiàn)生成一些具有圖像邊緣不自然的情況，從而導致重建圖像質量變差。基于學習的圖像SR方法[3]，其基本思想是學習LR空間到HR空間的映射關系，然后利用相應的映射關系來恢復出高清的HR圖像。

不過近年來大多數(shù)圖像超分辨率網絡都是采用基于學習的方法，然而大多數(shù)現(xiàn)有的基于卷積神經網絡的模型在基于大量參數(shù)和極深結構的情況下才保持較高性能，而且這些網絡也沒有充分利用圖像的低頻特征信息。

因此，本文通過對殘差網絡進行改進，提出一種新的圖像超分辨率重建算法。該算法將低分辨率圖像作為輸入，利用殘差網絡提取特征信息以獲得殘差圖像，通過多尺度塊來提取圖像的低頻信息，再將得到的殘差圖像與低頻信息進行線性相加，最后進行上采樣操作，從而得到最后的重建的高分辨率結果。所提算法去除殘差網絡中的批歸一化層，可以有效降低網絡的計算量，并且在殘差塊的尾部引入通道注意力來增強網絡的高頻特征提取能力。與此同時，該算法設計了多尺度塊MSB作為跳層來提取輸入圖像的低頻信息，從而提高了網絡的重建效果。實驗結果表明，該算法與大部分的圖像超分辨率算法相比，能更好恢復出低分辨率圖像中的紋理細節(jié)信息，重建出更清晰的高分辨率圖像。

本文詳細內容請下載：http://www.viuna.cn/resource/share/2000005028

作者信息：

謝余杭

(福建師范大學 光電與信息工程學院，福建 福州350007)