图像超分辨率重建是数字图像处理领域中的一个重要研究方向之一,它能够有效地提升图像的清晰度和分辨率。图像超分辨率重建的应用领域非常广泛,如医学图像处理、监控、高清晰度电视产业、图像压缩等领域,具有重要的研究价值和现实意义。由于深度学习能够模拟人脑复杂的处理过程,具有很强的表达能力,因此,它为图像超分辨率重建问题带来了新的思路。与传统方法不同,基于深度学习的图像超分辨率重建算法无需专业人员手动挑选特征,不需要对图像进行预处理。受此启发,论文采用卷积神经网络模型,通过逐级学习和通道混合的方法,实现图像的超分辨率重建。论文主要创新点如下:(1)论文提出了一种基于逐级学习的卷积神经网络结构,该结构由两部分组成:粗调网络和细调网络。通过粗调网络实现低分辨率图像到初级高分辨率图像的粗处理,该网络结构的优点是速度快;通过细调网络实现初级高分辨率图像到高分辨率图像重建的最终任务,该网络结构的优点是能够学习更加细致的图像细节。(2)随着网络深度的加深以及网络宽度的增加,在模型性能提升的同时也会导致网络参数的增多,模型的复杂度也随之增加。为了平衡性能和复杂度之间的关系,论文未通过加深加宽网络的方法提高模型性能,而是通过改变细调网络的内部结构来提高模型性能。论文构造了一种基于通道混合的模块,该模块结合了通道混合机制和倒置残差机制,此外,论文使用不同大小的卷积核来提取同一层级上不同尺度的特征。该结构的设计提高了模型的性能。论文对所提算法在公开数据集上进行测试,与目前大部分较新的结果相比,在性能上有了较大提升,其PSNR和SSIM指标都取得了较佳效果。