超分辨率重构技术的目标是将观测到的低分辨率图像重构出原始的高分辨率图像,近几年来,随着计算机硬件技术的不断进步,基于卷积神经网络的超分辨率重构技术也取得了一定的发展,但是现有的超分辨率技术在实际应用中还存在一定的问题。本文从超分辨率重构技术的三个角度出发,分别针对当前超分辨率重构技术存在的相关问题提出了对应的解决方案,具体的主要工作如下:(1)本文提出了一种适用于一般静态图像退化模型下的超分辨率算法SR-GSD。现有的基于卷积神经网络的超分辨率重构方法简化了低分辨率图像的退化模型,仅假设低分辨率图像由高分辨率图像双三次插值降采样而得,这导致它们对实际应用中观测到低分辨率图像很难有较好的重构效果。本方案在更泛化的图像退化模型下,利用DFPN模块的退化因子预测和HRN模块的高清重构网络来生成最终的高分辨率图像,在多组对比实验的PSNR和SSIM指标验证下,证明了SR-GSD算法对更一般低分辨率图像重构效果的优越性。(2)本文提出了一种适用于超分辨率任务的轻量级神经网络架构搜索算法SRNAS。近几年来,研究人员往往采用更深层的卷积神经网络来拟合由低分辨率图像到高分辨率图像间的映射函数,虽然提升了算法的重构性能,但是同时也增加了算法的计算复杂度。本方案将NAS技术应用于图像的超分辨率任务当中,通过精心设计的搜索空间和搜索策略来生成神经网络模型。实验表明,最终搜索出的SRNAS网络模型在保持重构精度几乎不变的前提下,大幅度的降低了算法的计算复杂度和权重参数。(3)本文搭建了简单易用的图像超分辨率修复平台。虽然当前的超分辨率重构技术取得了一定的发展,但是对于普通用户而言,当前的超分辨率重构技术使用门槛过高,用户需要经过大量的知识学习和技术积累才能重构已有的低分辨率图像。为了进一步降低超分辨率重构技术的应用难度,本文基于Flask微服务框架与Pytorch深度学习框架搭建了图像超分辨率修复平台,用户可以根据自己所需选择合适的超分辨率重构技术和缩放尺度进行图像重构。