引言
图像超分辨率(Super Resolution, SR)是一项被广泛关注的计算机视觉任务，其目的是从低分辨率(Low Resolution, LR)图像中重建出高质量的高分辨率（High Resolution, HR）图像［1］。由于建出高质量的高分辨率图像具有不适定的性质，因此极具挑战性［2］。随着深度学习等新兴技术的崛起，许多基于卷积神经网络(CNN)的方法被引入到图像超分任务中［3-6］。SRCNN［3］首次将卷积神经网络引入到图像超分任务中，用卷积神经网络来学习图像的特征表示，并通过卷积层的堆叠来逐步提取更高级别的特征，使得重建出的图像具有较高的质量。在后续研究中，Kaiming He等人提出了残差结构ResNet［5］，通过引入跳跃连接，允许梯度能够跨越层进行传播，有助于减轻梯度消失的问题，使得模型在较深的网络情况下仍然能保持较好的性能。Bee Lim等人在EDSR［6］中也引入了残差结构，EDSR实际上是SRResnet［7］的改进版，去除了传统残差网络中的BN层，在节省下来的空间中扩展模型尺寸来增强表现力。RCAN［8］中提出了一种基于Residual in Residual结构（RIR）和通道注意力机制（CA）的深度残差网络。虽然这些模型在当时取得了较好的效果，但本质上都是基于CNN网络的模型，网络中卷积核的大小会限制可以检测的空间范围，导致无法捕捉到长距离的依赖关系，意味着它们只能提取到局部特征，无法获取全局的信息，不利于纹理细节的恢复，使得图像重建的效果不佳［5］。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000005931
作者信息：
林承浩，吴丽君
福州大学物理与信息工程学院，福建福州350108
