随着显示元器件的发展,图像已逐渐成为人类获取信息的主要来源之一,并且成为人类社会活动中最常用的信息载体。图像分辨率是评价图像质量的重要指标,在很大程度上代表了图像所包含信息的丰富程度。通常图像分辨率越高,意味着人眼可以捕获到更多的信息。然而在现实生活中,由于图像编码(在图像传输、传输和保存中),成像设备和成像环境的局限性等因素,图像经常会出现不同程度的纹理和边缘细节损失,从而导致图像质量的下降。超分辨率重建技术能够有效改善此类问题,并且由于这是基于软件的方法,所以能够在不使用新硬件,不重新采集的前提下提高图像的分辨率。但是现有的超分辨率算法通常需要非常深的网络结构和较长的训练时间。而且当前的超分辨率算法没有对图像中的低、中、高频信息进行区分学习,从而限制了算法的学习能力。此外,先进绝大多数算法(如密集残差网络)只能进行一个固定比例因子的图像超分辨率,因此必须训练多个模型。为尝试解决上述问题,基于密集残差网络提出了改进方法MDLN(Meta-Upscale Densely Residual Laplacian Network)。本文的主要工作如下。(1)特征提取部分:在密集残差块中引入了拉普拉斯注意力机制,该机制能够自适应地重新缩放特征并建立特征依赖模型,用于学习多个频率上的特征;然后改进得到包含残差块单元、压缩单元和拉普拉斯金字塔三个组成部分的密集残差拉普拉斯模块;并在这个新模块之间使用了级联残差的设计,用来提升深层网络的效率,使得网络学习到更精确的特征。(2)特征放大部分:充分利用元学习在神经网络中的作用,借鉴了Hu等人在Meta-SR中提出的元放大(Meta-Upscale)模块,根据输入的比例因子去动态地预测放大滤波器的权重。然后根据这些权重去生成任意大小的HR(高清)图像,实现单一模型多比例因子的超分辨率任务。(3)为了将改进得到的算法进行实际应用,设计了包含GUI界面的超分辨率原型系统。用于显示输入的图像和进行超分辨率后的图像的对比,以及在各测试集上的评估结果。经过一系列对比实验,验证了本文提出的算法在一定程度上优于基础的密集残差网络,同时改善了上述提到的之前超分辨率算法中存在的问题。