偏振成像在材料识别、军事侦察和医学诊断等领域有着重要的应用价值,而拥有实时成像优势的分焦平面偏振成像是目前使用最广泛的偏振成像方式,但是由于自身的偏振阵列结构特点,分焦平面偏振传感器存在着固有的空间分辨率损失问题。为了解决这一问题,研究者们已经提出了一系列的超分辨重建方法,大致上可以分为基于插值的方法和基于机器学习的方法,基于插值的方法需要手工设计插值规则,且对于图像质量的提升存在难以跨越的瓶颈;基于机器学习的方法以采用了卷积神经网络并取得此前最优性能的PDCNN为代表,但其和插值方法都同属于“去马赛克”的范畴,即目的是输出全分辨率下的四个角度的偏振强度图像。然而在大多数情况下,不同角度的偏振强度图像仅仅是中间变量,研究人员更关注的是三种重要的偏振特性——总光强（Intensity）,线偏振度（Do LP）和偏振角（Ao P）。因此我们提出了一个用于偏振特性超分辨重建的端到端的全卷积神经网络模型——Fork Net,其接受原始的马赛克偏振强度图像作为输入并且直接输出超分辨重建的S0,Do LP和Ao P图像,避免了此前“插值-去模糊-公式计算”的分步过程。此外我们还提出了一个带有方差约束项的自定义损失函数,用于提高输出的Ao P图像的对比度。另外值得注意的是我们的网络模型相比PDCNN拥有更少的参数量和更快的运行速度。最后我们将提出的网络模型和现有的几种方法进行了对比,实验结果显示其在量化指标和视觉效果上都取得了目前为止最好的表现。此外,考虑到DoFP偏振成像方式最大的优势在于其即时同步性,我们希望在尽量保持神经网络的超分辨重建性能的同时,进一步降低网络的参数量,并在FPGA端实现卷积神经网络的并行加速运算。为此,我们对Fork Net进行了轻量化处理,即把传统卷积替换为了深度可分离卷积,并将原本的32位权重量化为了16位,改进后的网络称为16-bit DS-Fork Net。接着,我们基于Xilinx的So C开发板及HLS软件开发环境进行了16-bit DS-Fork Net的IP核开发,实现了卷积的并行化和流水化,并通过对输入图像数据的缓存读取有效节省了IP核的资源消耗。最后我们对轻量化后的网络性能以及FPGA IP核的资源消耗和加速性能进行了评估,我们发现16-bit DS-Fork Net的性能虽然相比Fork Net有所下降,但依然大幅领先Bicubic方法,另外,相比在CPU上运行的神经网络,16位IP核也得到了大幅加速。最后,由IP核输出的偏振特性图像都保持了很好的视觉质量。