图像超分辨率重建是计算机视觉领域中非常经典的任务之一,该技术通过软件算法将低分辨率图像重建为高分辨率图像,丰富了图像的细节信息,提升了图像的视觉效果,在公共安全、医疗图像、卫星遥感等多个领域有着广泛的应用前景。因此,图像超分辨率重建也成为了近些年来的研究热点之一。随着深度学习的快速发展,基于深度学习的图像超分辨率重建算法得到了长足的发展。本文在前人工作的基础之上,研究了基于卷积神经网络的图像超分辨率重建,所做的工作如下所示:1.本文简要概述了图像超分辨率重建的研究背景、意义以及国内外研究现状,并对当前图像超分辨率重建算法做了分类和总结,从主观和客观两个方面给出了常用的超分辨率重建的质量评价指标,简述了卷积神经网络的相关理论知识。2.本文着重介绍了基于卷积神经网络的图像超分辨率重建算法,并提出一种新颖的基于通道注意力机制级联U型网络的图像超分辨率重建算法。该算法通过使用U型网络模块丰富了多尺度特征,并且U型模块的输出为高分辨率特征,该特征可以不使用上采样层直接用于图像的重建。鉴于注意力机制在图像超分辨率重建领域研究较少,且研究表明注意力机制能够提升特征表示,本文算法引入通道注意力机制,通过建模特征通道间的关系,抑制冗余特征,进一步加强有用特征。在多个公开数据集上的实验结果表明,本文提出的方法在视觉效果和客观指标上均取得了良好的效果。3.在图像超分辨率重建任务上,通道注意力机制能够提升图像的重建效果。相较于特征通道之间的关系,空间位置关系对于图像超分辨率重建任务也相当重要。鉴于此,本文进一步引入通道和空间双注意力机制,提出基于通道和空间双注意力机制级联U-Net的图像超分辨率重建算法。通道和空间双注意力机制从通道和空间两个方面同时对特征进行优化,提升重建性能。在U-Net内部嵌入双注意力机制,并以此模块作为构建网络的基础模块,以级联的方式进一步提升模型的重建性能。实验结果表明本文的方法相比于其他方法有较好的准确性和视觉效果。