图像超分辨率通常是指以低分辨率图像为线索,经过推理计算获取边缘清晰、细节合理的高分辨率图像的过程。本文主要对以单幅图像为输入的情况进行研究和改进。由于清晰明确的图像能够发挥出更大的作用和提供更多的帮助,使得这项技术被广泛应用于许多实际应用领域中,如医学、公共安全、遥感影像以及终端设备等。此外,这项技术也常用于许多机器视觉任务中,如图像分类、目标识别和跟踪、图像增强等。由于单幅图像所能提供的高频细节较少,所以如何在大倍数比例因子情况下复原出好的高分辨率图像是一个难题。针对该问题,本文提出了一种基于多尺度渐进重建的图像超分辨率方法,以充分挖掘图像特征信息并提高模型的表征能力。目前大多数方法都采用直接重建的网络架构,即只执行一次上采样操作以获取重建图像。这种结构不仅增加了模型针对较大比例因子(例如4倍或8倍)的学习难度,还使得网络只能获取一种放大比例的超分辨率图像。而本文基于拉普拉斯金字塔网络结构的思想,采用了一种渐进重建的网络架构来提取丰富的局部和全局特征信息。该结构由级联的卷积神经网络组成,实现由小倍数比例因子到大倍数比例因子逐级重建所需高分辨率图像的过程。这种结构通过将问题分解为多个子问题,来降低模型的训练难度并提高了大倍数下图像修复的效果。此外,本文还引入了多尺度特征提取模块,实现对低分辨率图像信息的深层挖掘,有效地改善了特征多样性和模型的表征能力,并通过加入权重归一化操作来提升模型训练的稳定性。最后,本文在上采样模块中增加了金字塔池化层,通过聚合局部和全局的上下文信息来进一步增强图像的复原效果,使得重建图像能够在视觉效果上更加符合人的感知。本文采用DIV2K数据集作为训练数据集,Set5、Set14、BSDS100、Urban100和Manga109五个公开数据集作为测试集。实验结果验证了本文提出的改进网络不仅能够在较大的比例因子情况下复原出比较准确的图像,还能在视觉效果上更加贴近于真实图像,并且在模型训练的稳定性方面也进行了提升。在8倍比例因子下,本文提出的模型在各数据集上的结果分别为27.39d B、25.11d B、24.86d B、22.84d B、25.00d B。