目前,网络传输常常采用JPEG（Joint Photographic Experts Group）压缩处理后的图像,压缩或解压等处理不仅产生了一系列压缩伪影还降低了图像的质量。为了有效地去除JPEG压缩伪影并提高图像的分辨率,该文主要基于深度学习的压缩图像超分辨率方法展开研究,具体研究内容如下:首先,该文结合多尺度的思想,提出基于多尺度残差网络的压缩图像超分辨率方法。该方法利用端到端的方式学习压缩的低分辨率图像与高分辨率图像之间的映射,降低了计算复杂度。该网络采用多次下采样和上采样操作,以提取多尺度的特征信息,并在不同尺度上进行残差学习。实验结果表明,提出的方法与级联网络相比,具有更高的性能。其次,为了降低网络学习的难度,获得更多有用的特征,该文提出基于双分支残差稠密网络的压缩图像超分辨率方法。该方法利用残差稠密模块设计了双分支结构,分别预测去除伪迹的低分辨率图像和高分辨率图像。并将注意力机制引入到网络中,以自适应地融合两个分支的特征,得到最终的预测输出。实验结果表明,该方法能有效去除JPEG压缩伪迹并提高图像的分辨率。最后,为了进一步提高性能,保留更精确的细节信息,该文提出了基于双重注意力残差网络的压缩图像超分辨率方法。该方法首先融合多尺度并行稠密块和注意力机制,形成多尺度核注意力模块,选择性提取不同尺度的图像信息;然后提出低层特征指导高层特征学习的注意力模块,结合局部残差学习和两种注意力模块形成双重注意力残差模块;最后采用跳跃连接和分层特征融合,弥补由于网络加深而造成的信息丢失。为了减少误差积累,提高网络的泛化能力,针对不同压缩质量因子采用端到端的联合训练方式。实验结果表明,该方法在视觉和峰值信噪比度量上都具有较好的性能。