基于全局密集特征融合卷积网络的单图像超分辨率(Single Image Super-Resolution Based on GlobalDense Feature Fusion Convoluti)

摘要：深度神经网络 (dnn) 最近在单图像超分辨率 (SISR) 中得到了广泛的应用，并取得了巨大的成功。但是，大多数基于dnn的SISR方法都没有充分利用层次特征。后续层无法直接读取特征，因此，先前的分层信息对后续层输出的影响很小，并且性能相对较差。为了解决这个问题，提出了一种新颖的全局密集特征融合卷积网络 (DFFNet)，该网络可以充分利用全局中间特征。特别地，引入了特征融合块 (FFblock) 作为基本模块。每个块可以直接从先前的块中读取原始的全局特征，然后以整体的方式学习特征之间的特征空间相关性和通道相关性，从而形成连续的全局信息存储机制。基准测试的实验表明，所提出的方法DFFNet与最新方法相比具有良好的性能

引言

图像超分辨率，尤其是单图像超分辨率 (SISR)，是计算机任务中的经典问题。它旨在从降级的低分辨率 (LR) 图像中重建视觉上令人愉悦的高分辨率 (HR) 图像。SISR已应用于各种领域，例如面部识别，医学成像和监视系统 [1,2]。HR图像与LR图像之间的关系是基于这种情况的，因此，SISR是一个高度不适定的逆问题。一个常见的假设是，LR图像是HR图像的双三次下采样版本，但是在实际应用中，还需要考虑许多其他因素。

SISR方法大致可以分为三类: 插值方法，基于重建的方法和基于学习的方法 [3-7]。随着深度学习 (DL) 在图像处理中越来越流行 [8-11]，Dong等人 [12] 首次引入了名为SRCNN的卷积神经网络来解决SISR问题。Kim等人 [13] 用20个卷积层制作了一个更深的网络，名为VDSR [13]，同时使用跳过连接来简化训练。Kim等人 [14] 还提出了一种具有递归卷积层和递归监督的深度递归卷积网