摘要:针对固定网络架构和深度网络层导致的信息无法完全表达复杂场景预测高质量图像、高计算成本及部署困难等问题, 提出了一种具有宽网络结构的图像动态超分辨率网络(wide dynamic super-resolution network, W-SDNet). 首先, 设计了一个由移位卷积残差增强结构组成的残差增强块, 以提高图像超分辨率的分层特征提取能力并减少计算成本. 其次, 引入一个宽增强模块通过其双分支的4层并行结构, 在提取深度信息的同时利用动态网络的门机制选择性增强特征表达, 同时通过边缘检测算子融合的注意力机制增强边缘细节的表现力. 紧接着, 采用组卷积和信道分割的细化块, 以防止在广泛增强块中组件间的干扰. 最后, 通过一个构建块实现高质量图像的重建. 实验结果表明, W-SDNet在5个公开测试数据集上放大4倍时的峰值信噪比(peak signal-to-noise ratio, PSNR)指标均优于现有主流算法, 并且模型的参数量显著减少, 证明了W-SDNet在超分辨率重建的复杂度、性能及恢复时间方面的优势.