本文主要研究了具有残差学习网络的超分辨率重建算法,对基本的卷积神经网络分别结合金字塔瓶颈残差单元,Res2Net模块,SEnet模块并做了相应的改进,具体工作概述如下:1.第一章提出了基于深度递归卷积神经网络的图像超分辨率重建算法,目的是将残差学习和级联结构应用到超分辨率重建中,从而缓解直接重建超分辨率图像的困难.新的网络结构中将深度递归卷积网络与金字塔瓶颈残差单元结合,并对金字塔瓶颈残差单元添加特征划分和特征融合操作,从而将前三个卷积层提取的浅层特征与前六个卷积层提取的深层特征相结合,充分利用上下文的信息.具体地,首先,两个卷积层被用来从原始的低分辨率图中提取初步特征;然后,级联的细提取块一步步提取更多有用的特征并去除冗余的特征;最后,一个反卷积操作用来恢复特征.整个网络使用残差学习来加快网络的训练速度.实验表明,所提方法较深度递归卷积网络有更好的重建效果.2.考虑到上一章,设计的网络层数较少,重建效果并不是十分理想,因此本章中提出基于密集连接具有瓶颈残差单元网络的图像超分辨率重建算法,旨在通过加深网络层数增加感受野从而提取更多的上下文信息,同时将跳跃连接引入网络结构中解决梯度消失的问题.新的结构中将深度递归残差网络与金字塔瓶颈残差单元结合,对金字塔瓶颈残差单元不同层采取特征划分和特征融合操作,训练测试对比不同层添加特征划分和融合操作后的重建效果,选取最佳的网络结构.具体地,首先,两个卷积层被用来提取低层次的特征;其次,七个密集连接的残差单元被用来提取高层次特征,密集连接加强了信息的重利用并且降低了计算复杂度;最后,一个反卷积操作用来恢复特征.实验表明,所提方法较深度递归残差网络有更好的重建效果.3.前两章中设计的网络都具有较为复杂的模块,增加了网络训练的时间,同时也增加了对设备的要求.本章提出了基于改进的残差单元密集连接网络的图像超分辨率算法,旨在基于基础的残差模块,设计一个20层的简单网络来实现单张图像的超分辨率重建效果.新的结构中将全局残差学习,局部残差学习以及跳跃连接相结合,大大增加了特征的重利用.具体地,新的网络结构中,残差单元用来获取残差特征,1×1的卷积层用来筛选有用的特征,反卷积用来恢复特征.考虑到Res2Net不仅可以在一个残差块内构造分层的类残差连接,并能以粒度级别表示多尺度特征从而增加每个网络层的感受野.SEnet通过学习获取每个特征维度的重要程度,根据该重要程度参数提取特征图中有用的特征,去除冗余的特征.因此,本章分别对提出的模型添加了Res2Net,SEnet模块,并将添加模块后的模型与我们的模型进行了对比.实验表明,所提方法较现存的浅层卷积网络有更好的重建效果.