图像超分辨率重建作为图像复原领域的一项重要技术,旨在将低分辨率图像或视频进行超分辨率复原,得到更清晰的高分辨率图像或视频。图像超分辨率重建可分为单帧图像超分辨率重建和多帧图像超分辨率重建,本文从重建网络的结构设计和多帧图像的对齐融合机制两个方面,对现有的单帧模型与多帧模型进行改进,并提出一种可变帧数的视频超分辨率重建方法。本文主要工作如下:1.针对目前基于单一尺度特征的单帧图像超分辨率方法,不能很好地恢复出纹理细节的问题,本文引入了多尺度特征学习机制,在深度残差网络的基础上构造了一种特征选择网络,该网络通过具有不同大小感受野的多分支网络进行多尺度特征学习,使用基于注意力机制的多特征融合模块进行特征融合,同时在残差块中引入了瓶颈结构和宽泛激活,降低了重建网络参数量,并提高了模型的建模能力。实验结果表明,本文方法的性能在客观和主观两个方面均优于目前基于单尺度特征的图像超分辨率方法。2.帧对齐是多帧图像超分辨率技术中的关键步骤,现有的基于光流或隐式运动补偿的方法将每个支持帧单独对齐到目标帧,在处理长序列或存在复杂运动的视频序列时,对齐精度较低,影响模型的重建效果。为了克服这种局限性,本文提出了一种渐对齐融合网络,从输入序列的两端按照时间顺序将所有支持帧逐渐对齐到目标帧,并进行逐帧融合。该方法降低了复杂运动和长输入图像序列的对齐融合难度,同时允许模型输入不定长度的图像序列。实验结果表明,渐对齐融合网络可以有效提高帧对齐的精度,与类似方法相比,本文方法在客观和主观两个方面的效果均有所提高。3.基于特征选择网络强大的学习能力,和渐对齐融合网络允许变长输入的特性,提出了一种可变帧数的视频超分辨率重建模型。该模型使用随机长度训练机制对模型进行训练,使得渐对齐融合网络可以学习到不同长度输入的对齐融合映射,赋予了模型可变长输入的能力。同时使用一种新的模型自集成方法,将不同输入帧数的重建结果进行融合。实验结果表明,本文方法可以在保证重建效果的同时,不受输入视频帧数量的限制,具有较高的应用价值。