摘要
近期，一种非常深的卷积神经网络（CNN）在图像超分辨率（SR）领域取得了显著的成功，并提供了层次化的特征。然而，大多数基于深度CNN的SR模型未能充分利用原始低分辨率（LR）图像中的层次化特征，因此其性能相对较低。本文提出了一种新颖的残差密集网络（RDN），以解决图像超分辨率中的这一问题。我们充分挖掘了所有卷积层中的层次化特征。具体而言，我们提出了残差密集块（RDB），通过密集连接的卷积层提取丰富的局部特征。RDB进一步允许从前一个RDB的状态直接连接到当前RDB的所有层，从而实现连续记忆（CM）机制。在RDB中进行局部特征融合，可以自适应地从前一个和当前的局部特征中学习更有效的特征，并稳定更宽网络的训练。在完全获得密集的局部特征后，我们使用全局特征融合来整体地联合和自适应地学习全局层次化特征。大量基准数据集上的实验结果表明，我们的RDN在不同退化模型下均优于现有最先进方法。