图像超分辨率定义为放大图像的空间分辨率,是经典的底层视觉问题之一。图像超分辨率在公共安全、医疗、遥感、移动互联等领域具有广泛的实际应用需求。随着智能化时代的到来,图像数据已经成为获取信息的重要渠道,数以亿计的图像数据在不同设备中和不同场景下产生。由于受到低像素相机、压缩存储、高放大倍数等因素影响,大量图像存在低分辨率、模糊、噪声多等现象。如何将不同场景下低分辨率照片的画质进行增强,还原自然图像丰富的细节,具有重要的研究和应用价值。本文针对图像超分辨率问题进行了研究,分析了近期代表性算法的优势和不足。超分辨率问题主要具有两个研究难点:超分重建和退化建模。现有方法大多在已知退化假设下训练超分网络,难以保证在真实场景中模糊数据上的性能。本文针对超分辨率重建网络结构设计和真实场景模糊数据退化建模进行了探索,具体工作如下:1.针对图像超分辨率过程中低频特征恢复不佳的问题,提出了一种新的上下文感知残差网络（Context-Aware residual Super-Resolution network,CASR）。本文发现,现有超分辨率方法在恢复低频的像素特征时,不加区分地处理所有通道和区域,没有针对局部和上下文之间的联系进行建模。本文的CASR结合了提出的融合注意力残差结构和增强门控结构,可以更加高效地整合上下文信息。其中,融合注意力残差结构基于通道注意力和空间注意力机制来增强信息表征能力,能高效地描述局部上下文,建模重要的低频特征。此外,本文提出的增强门控结构用于调制多级特征间的信息流动,进一步过滤冗余信息并增强高贡献度的特征。本文通过五个数据集上的实验验证了CASR的合理性和有效性。CASR网络提升了残差网络的性能,能够恢复自然清晰的图像细节,以轻量的结构实现了高效的重建性能。2.针对图像超分辨率算法应用到真实场景遇到图像域漂移的问题,提出了一种频率一致性自适应方法（Frequency Consistent Adaptation,FCA）。本文发现,现有超分辨率方法大多基于退化的先验知识来构造低分辨率图像,训练完成的模型往往在训练数据上重建效果较好。但由于真实场景中图像的退化方式和先验知识不一定相同,既有模型在真实场景测试时很难达到预期效果。本文提出的FCA从无监督的源域图像中估计超分退化核,然后生成频率密度与源域图像一致的低分辨率图像,从而为超分模型提供图像域一致的训练样本对。在FCA中,本文提出了频率密度比较器（Frequency Density Comparator,FDC）,用于给生成器提供频率一致性损失。生成器接受FDC反馈的梯度信息,学习如何估计源域图像中的退化核。本文通过合成数据集和真实数据集上的实验验证了FCA对于超分模型的提升效果。相比于最新的解决盲超分的方法,FCA在定量指标和视觉效果上均表现出明显优势。