摘要：随着卷积神经网络 (CNN) 技术的日益成熟，基于CNN的图像超分辨率重建 (SR) 方法正在蓬勃发展，并取得了许多显著的效果。毫无疑问，SR已成为图像重建技术的主流方向。然而，现有的大多数SR方法通过增加网络深度来提高重建性能，这也增加了参数数量、网络计算数量和训练网络的难度。为了解决SR中的性能复杂性难题，本文提出了一种称为多尺度密集递归融合网络 (MSDRFN) 的网络。该网络由三部分组成: 初始特征提取模块、多尺度密集融合群模块和递归重建模块。首先通过浅层特征提取模块提取粗略特征，然后将其输入到多尺度密集融合块 (MSDFBs) 。每个MSDFB充分利用不同大小的卷积核中，以获得不同的层次特征，并进一步将这些输出特征输入到通道注意机制中以学习其对应的权重。所有MSDFBs输出将通过递归重建模块恢复为高分辨率图像。此外，网络以残差学习补充信息损失，体现为一个跳远连接和几个跳远连接。
图像超分辨率重建 (SR) 可提高计算机视觉应用中的图像和视频质量。SR将观察到的低分辨率图像或视频转换为相应的高分辨率图像或视频 [1,2]。此类图像处理技术对于目标检测，医学成像，卫星遥感 [3] 和其他应用具有重要意义。但是，图像SR是一个多解问题，因为低分辨率 (LR) 图像与其相应的高分辨率 (HR) 图像之间存在多个映射 [4]。当上采样因子较大时，很难获取用于恢复SR的高频信息 [5]。在这种情况下，SR必须通过对图像的一些先验知识来找到LR和HR图像之间的内在相互作用。可以通过基于CNN的深度学习来学习描述LR和HR图像之间内在相互作用的非线性映射。
尽管现有的基于CNN的SR模型已经取得了相对较好的结果 (请参见下一节)，但它们的训练