近几年应用在单幅图像超分辨率重建上的深度学习算法都是使用单种尺度的卷积核提取低分辨率 图像的特征信息,这样很容易造成细节信息的遗漏。另外,为了获得更好的图像超分辨率重建效果,网络模型也不 断被加深,伴随而来的梯度消失问题会使得训练时间延长,难度加大。针对当前存在的超分辨率重建中的问题,结合 GoogleNet 思想、残差网络思想和密集型卷积网络思想,提出一种多尺度密集残差网络模型。方法 使 用 3 种不同尺度卷积核对输入的低分辨率图像进行卷积处理,采集不同卷积核下的底层特征,这样可以较多地提 取低分辨率图像中的细节信息,有利于图像恢复。再将采集的特征信息输入残差块中,每个残差块都包含了多个 由卷积层和激活层构成的特征提取单元。另外,每个特征提取单元的输出都会通过短路径连接到下一个特征提取 单元。短路径连接可以有效地缓解梯度消失现象,加强特征传播,促进特征再利用。接下来,融合 3 种卷积核提取 的特征信息,经过降维处理后与 3 × 3 像素的卷积核提取的特征信息相加形成全局残差学习。最后经过重建层,得 到清晰的高分辨率图像。整个训练过程中,一幅输入的低分辨率图像对应着一幅高分辨率图像标签,这种端到端 的学习方法使得训练更加迅速。使用两个客观评价标准 PSNR( peak signal-to-noise ratio) 和 SSIM( structural similarity index) 对实验的效果图进行测试,并与其他主流的方法进行对比。最终的结果显示,本算法在 Set5 等 多个测试数据集中的表现相比于插值法和 SRCNN 算法,在放大 3 倍时效果提升约 3. 4 dB 和 1. 1 dB,在放大 4 倍时提 升约 3. 5 dB 和1. 4 dB