图像超分辨率重建技术是指从低分辨率图像中恢复出高分辨率图像,提供更多的细节信息。图像中的细节信息,不仅增强图像的视觉效果,而且能够帮助人们对图像实行识别、分析和处理。卷积神经网络是一种前馈神经网络,一种输入到输出的映射,研究表明其对于图像处理有出色表现。卷积神经网络利用自身网络结构的优势,图像可以直接作为网络的输入,避免了复杂的特征提取与数据重建过程,在图像超分辨率的应用中取得了突破性的进展。卷积神经网络被证明可以学习低分辨率图像到高分辨率图像的映射关系,实现端到端的学习框架,重建效果被进一步改善。因此,本文正是应用了这一网络特性,研究基于卷积神经网络方法的图像超分技术,主要研究了以下两个方面的内容:(1)基于动态卷积层的图像超分辨率重建方法:在卷积神经网络中,网络结构的选择和参数的选择至关重要,为了最大限度的利用图像的先验知识,利用卷积神经网络的权值共享特性和反向传播算法,该方法在基于卷积神经网络的图像超分辨率重建算法基础上,设计了一种动态卷积层结构,卷积层中的滤波器参数是通过一个卷积神经网络训练输入图像学习得到的,将学习得到的滤波器加入图像超分重建网络中,由此改善卷积网络的结构,实验表明该算法可以进一步提升图像重建后的质量。(2)基于学习率自适应的图像超分辨率重建方法:由于基于卷积神经网络的图像重建算法在训练网络时收敛率较慢,通过对传统梯度优化及学习率算法的研究,提出了一种自适应的学习率优化算法,在网络训练中学习率的设定通过损失函数和反向传播算法的自我调节,最终到达一个最优值。通过让卷积神经网络在训练过程中自我调节学习率,以提升网络的收敛率,实验表明在相同的图像重建质量情况下,收敛率得到了提升。