单图像超分辨率的多尺度残差分层密集（Multi-Scale Residual Hierarchical DenseNetworks for Single Image Super-Resolution）

摘要：已知单图像超分辨率是一个不适定的问题，已经研究了数十年。随着深度卷积神经网络的发展，基于CNN的单图像超分辨率方法大大提高了生成的高分辨率图像的质量。但是，图像超分辨率很难充分利用低分辨率图像中像素之间的关系。为了解决这个问题，我们提出了一种新颖的多尺度残差分层密集网络，该网络试图找到多层次和多尺度特征中的依赖关系。特别是，我们应用了atrous空间金字塔池，该池以不同的膨胀速率连接了多个atrous卷积，并设计了一种用于单个图像超分辨率的残差分层密集结构。atrous-spatialpyramid-pooling模块用于学习多尺度特征之间的关系，而残差分层密集结构由多个具有跳过连接的分层密集块组成，旨在自适应地从多级特征中检测关键信息。同时，通过分层密集块将来自不同组的密集特征以密集方式连接起来，从而可以充分提取局部多级特征。在基准数据集上进行的大量实验说明了我们提出的方法与最新方法相比的优越性

引言

单图像超分辨率 (SISR) 旨在从其低分辨率 (LR) 版本重建高分辨率 (HR) 图像。图像超分辨率广泛应用于许多计算机视觉领域，例如视频监控，遥感和图像传感。但是，SISR是一个典型的不适定问题，因为图像退化过程通常是不可逆的，并且LR图像中缺少许多微小的纹理。可以从给定的LR图像中潜在地生成几个高分辨率图像。近年来，深度卷积神经网络已在许多任务中得到应用，范围从低级 (图像恢复，SISR等) 到高级 (图像分类，物体检测等) 视觉领域，并且与常规方法相比已显示出很大的改进

目前，基于CNN的SISR方法直接从LR图像到HR图像学习有效的非线性映射函数，大大提高了超分辨图像的质量。其中，Dong等 [1] 首先使用了一个称为SRCNN的深度