单幅图像的图像超分辨率重建(超分重建)是计算机视觉中一个重要领域,是将低分辨率图片转化为高分辨率图片的过程。卷积神经网络是实现图像超分辨率重建的一种主要方法。当卷积神经网络中参数量过少时,图像的重建效果会显得不足。而随着网络的参数量的增加,虽然会带来更好的重建效果,但会使网络在训练与测试中占用过多的内存与时间,使得难以在工业界进行推广。为了解决上述问题,本课题以卷积神经网络为出发点,围绕图像超分辨率重建的任务展开研究。我们通过合理地设计网络模型,从而实现高效的图像超分辨率重建性能,具体研究成果可以总结如下:一、本课题提出了一种高效的多尺度残差网络(EMSRN)进行图像的超分辨率重建。相比于多尺度残差网络(MSRN),EMSRN使用了高效的多尺度残差块(EMSRB)来不减少性能的情况下降低网络中的参数量。此外,本文使用混合相加模块(AddStruct)来对每个多尺度残差块的输出特征进行加权后相加。通过使用了以上这些改进点后,我们在标准数据集中进行了大量实验,结果表明,本文所提出的算法的重建效果在峰值信噪比与结构相似性上均优于以往的多尺度残差网络。二、本课题提出了基于密集残差连接与插值算法的超分重建网络方法。该方法将超分辨率重建图像分为高频图像与低频图像分别进行重建,然后将二者相加。高频图像重建结构是在基于快速超分辨率重建卷积神经网络结构上进行改进,通过增加残差连接以及密集连接模块的方法提升网络模型的拟合性能。低频图像重构采取最近邻插值算法实现。结合高频图像重构和低频图像重构形成最终输出,并利用迁移学习提升整个模型的效果。与已有方法对比,本文提出的超分重建网络在多个数据集中均可重建出清晰的图像。实验表明,本文提出的网络模型重建图像在峰值信噪比及结构相似性上均获得提升。