在传统的图像增强领域,已经存在许多非常成熟的相关算法:如均值滤波、中值滤波等传统降噪算法,暗通道先验去雾算法,双三次插值上采样算法等,都已经被广泛运用。随着深度学习的兴起,传统算法的弊端逐渐显露出来——传统算法通常都存在强先验关系,无法适应多种场景。而基于深度学习的图像增强算法则可以根据图像的不同特点训练出不同的模型来提升多场景下的效果。在此背景下,本文基于深度神经网络对图像增强中的一个子领域——超分辨率进行深入探讨。此外还针对不同的超分辨率应用场景进行了细分研究,并尝试着使用高性能计算库实现一款可以实现实时超分辨率的视频播放软件。具体而言,本文的主要工作包含了以下三部分:1.提出了一种全新的单图像超分辨率算法,该算法针对图像超分辨率对图像中不同细节恢复的重要性不同的特点,使用了一种新的、基于空间注意力机制的全新残差基础模块。该模块能够在保持原本残差模块结构的基础上,针对图像中不同频率信息代表对的不同图像特征对网络中的不同区域上的特征信息进行注意力权重分配,使得网络能够更加有效地将更多信息注意力集中到对网络性能提升更大的中高频区域。并且由于模块的轻量化,使得该模块能够嵌入到超分辨率网络中的每一个基础残差模块,完成模块替换,在极少量增加网络负担的情况下,较大地提升超分辨率网络模型的表现能力。2.提出了全新的视频超分辨率算法,该算法基于卷积组和密集连接的方式对现有网络的特征重建模块进行了改进强化。传统视频超分辨率网络中的特征对齐模块给网络带来了严重的计算负担,降低了超分辨率网络尾部的图像重建模块内部的特征信息利用率。本文提出的全新的特征重建模块可以在保持模型深度的同时,增加网络的宽度,使得模型内部的信息能够更加通畅地在模型内部流动。该模块能够通过灵活地设置卷积组内的卷积层数以及密集连接组数,在拥有有限的计算资源的情况下,能够利用密集连接的方式来提升网络的表现能力。此外,该算法采用了工作1中提出的全新的基础残差模块作为搭建视频超分辨率网络的基础模块,用于强化超分辨率模型的特征聚焦能力。在实际应用过程中,还针对特征对齐模块进行了额外优化,使用权重归一化的方案使得视频超分辨率网络在遇到噪声时的表现更加稳定。3.到目前为止,市面上始终没有一款实时的超分应用出现,因此本文尝试使用C++以及Cuda的高性能计算库设计了一款应用于视频超分辨率的实时视频播放器,作为算法落地的尝试。本文在章节最后对实现的实时超分辨率引擎与市面上常用的学习框架的性能进行了实验测试对比,并对当前超分辨率算法落地中可能存在的问题进行了分析。