随着互联网技术的快速发展,超高清显示设备（诸如智能手机、智能电视、笔记本电脑等）的显示分辨率不断提高,对超高清视频资源的要求也越来越高。由于成本和效率方面的原因,目前市面上大多数的视频资源仍然停留在1080p（FHD）分辨率。但是目前的超高清显示设备的分辨率普遍达到了2K、4K,甚至8K。为了在不使用更高端成像设备重新拍摄制作视频资源的前提下使人们在超高清显示设备上体验精美的画面,采用图像超分辨率重建技术是十分经济有效的手段。同时,超分辨率重建作为底层视觉任务可以作为各种高层视觉任务的预处理模块。相较于传统机器学习算法,基于深度卷积神经网络的图像超分辨率技术依赖于其强大的非线性映射能力使性能得到了显著提高。近年来,学术界和工业界对图像超分辨率重建进行了深入地研究,产出了许多性能优异的模型。但是大多数算法时间复杂度较高,很难直接应用到目前的实际场景中。这里的实际场景可以分为移动端（智能手机、智能机器人、智能画质芯片等计算资源受限的平台）和云平台（以数据处理为主的计算型云平台）。本文主要针对移动端和云平台场景图像超分辨率重建的高效轻量模型构建、单模型任意倍数放大、稳定感知结果生成以及盲超分辨率问题进行深入研究,进而提出相应的解决算法。概括起来,本文所取得的主要研究成果如下:1.提出了一种信息精炼模块用于构建一个新的轻量级图像超分辨率网络。现有的大多数图像超分辨率网络虽然可以取得先进的性能,但是其为了达到更好的性能通常会加宽加深网络,这在推理阶段会带来不小的计算量和显存消耗。因此不利于实际应用的部署。针对这一问题,本文提出了拥有轻量级参数和计算代价的信息精炼网络。信息精炼模块作为信息精炼网络的基本单元。不同于之前不加区别地将当前提取到的特征送入下一层的方法,所提出的模块将当前提取到的特征分为两部分,一部分作为短路径特征保留而另一部分特征送入下一层进一步加强之后作为长路径特征。得益于这样的设计,信息精炼模块平均通道数较小,所消耗的参数量和计算量随之减少且能保持优秀的表征能力。2.提出一个多级信息精炼网络用于图像超分辨率重建。为了进一步提高基本模块的高效性,基于上述提出的信息精炼模块,本文提出了一个轻量级信息多级精炼模块,其包含精炼部分和选择融合部分。具体地,精炼部分逐步提取层级特征,融合部分根据这些特征的重要程度集成它们。此外,任意放大倍数的超分辨率是实际应用中的一个关键问题,这在之前的方法中没有得到很好的解决。针对任意放大倍数问题,本文提出了一种自适应裁剪策略,仅使用一个训练好的模型超分辨率合适尺寸的图像块,然后再进行拼接组成最终的输出。3.提出一种渐进式感知导向网络用于追求视觉效果的图像超分辨率任务。针对大尺寸放大时,基于峰值信噪比最大化的方法通常会产生模糊。生成式对抗网络的引入可以减轻这一问题且表现出令人印象深刻的合成高频纹理结果。然而,之前基于生成式对抗网络的方法总是倾向于添加假纹理甚至伪影,以使超分辨率图像在视觉上具有更高的分辨率。针对这一问题,本文提出了一种新的感知图像超分辨率方法,该方法通过构建阶段性网络逐步生成视觉上高质量的结果。具体而言,第一阶段集中于最小化像素误差,第二阶段利用前一阶段提取的特征来追求具有更好结构保留的结果。最后阶段使用第二阶段提取的精细结构特征,以产生更真实的输出结果。这就可以尽可能地保持感知图像中的像素、结构信息。所提出的方法可以在前馈过程中一次性构建三种类型的图像（内容、结构、感知）,以满足不同任务的要求。此外,本文还提出了一种采用多尺度层次特征融合的生成器,其拥有合适的参数量和更大的感受野这一特点,有利于提高生成网络的表征能力。进一步,本文提出了轻量级版本的渐进式感知网络用于移动端应用。4.提出了一种基于风格迁移的图像盲超分辨率重建算法。由于实际应用中图像的降质通常是多样的,因此图像盲超分辨率重建的研究十分有必要。现有的盲超分辨率重建方法往往需要进行多次迭代优化且设计的多降质超分辨率网络参数量较大,这会造成训练和推断时间的延长。此外,目前的盲超分辨率方法主要以优化峰值信噪比为主,缺乏对感知盲超分的探索。针对上述问题,本文提出了一个自适应调制网络用于多降质超分辨率。其是由自适应调制层组成的。这里的自适应调制层受风格迁移中自适应实例归一化方法的启发,将模糊图像和清晰图像视作两种不同的风格。由自适应调制层构建的自适应调制网络可以实现更好的单模型多降质超分辨率。此外,结合真实度对抗损失可以得到感知自适应调制网络。为了使感知自适应调制网络可以根据感知评价指标方向优化,将强化学习框架引入盲超分辨率中。综上,本文通过对超分辨率任务的分析,提出四种模型,提升图像的重建结果、提高模型的重建速度,为移动端和云平台下的图像超分辨率提供了可供选择的解决方案。