随着互联网以及多媒体技术的迅速发展,包括图像、视频在内的视觉数据迅速增加,相应的数据处理也显得愈发重要。海量的视觉数据往往蕴含着大量有用的信息,通过计算机视觉的方式去处理这些数据有利于更好地服务于人类。超分辨率的目标是通过提升视觉数据的分辨率从而改善其显示效果,有利于计算机视觉更好地捕捉其中的有效信息。本文基于深度学习算法对单幅图像的超分辨率进行了深入研究,提出了三点改进:合理优化损失函数、引入注意力机制强化高频信息的恢复以及利用递进学习促进模型更好更快地收敛。主要工作以及相应的结论总结如下:1.针对目标函数的问题,本文探讨了不同的损失函数对超分辨率网络训练结果的影响。均方误差函数虽然会使超分辨率模型输出高峰值信噪比(Peak Signal to Noise Ratio,PSNR)的图像,但纹理细节等往往趋于模糊,视觉效果较差。包括感知损失、纹理损失在内的损失计算方式则是从特征层面追求预测图与原图的一致性,从而可以获得较好的视觉效果。全变分损失函数在去除噪声的同时可以较好地保留图像边缘。基于生成对抗网络在图像和特征两个维度上对算法生成的图像做判别,在两个网络达到纳什(Nash)均衡后,生成器可以学习到接近真实数据的分布。最后,本文还探讨了不同损失函数组合后对训练效果的影响,从而促进算法模型实现更好的超分辨率效果。2.针对图像中高频纹理信息难以恢复的问题,论文提出了嵌入注意力机制来强化高频信息恢复的方法。注意力机制是通过全卷积网络在像素层面做出判决,判断每一个像素是否处在高频区域中。在嵌入到超分辨率网络后,基于注意力机制进行相应的增益和弱化,从而提升模型在高频信息部分的恢复能力。本文也尝试了多种算法对注意力生成模型做出改进以进一步提升性能。相应的实验环节展示了注意力机制嵌入前后在高频细节恢复上的差异,同时在不同数据集上PSNR和结构相似性(Structural Similarity index,SSIM)等指标也获得了提升,由此论证了注意力机制的有效性。最后通过与其他算法模型的比较,证明了整个网络框架性能的优异性。3.针对超分辨率网络模型训练较慢,同时难以收敛到较好的局部极小值的问题,本文提出采用递进学习的方法训练超分辨率网络。递进学习主要涉及课程设置以及相应的递进学习方法。在课程设置方面,基于灰度共生矩阵提取图像纹理特征,随后采用基于密度峰值的聚类方法实现对训练集的划分。在递进学习方法上,则依据在不同训练子集上的学习曲线斜率动态分配样本采样的概率分布。实验表明灰度共生矩阵以及基于密度峰值的聚类方法可以实现对训练集在纹理复杂度层面上较好地划分。本文提出的递进学习改进方法在加速模型收敛的同时还可以避免对已掌握“课程”的遗忘,整体提升模型的效果。