摘要
近期，深度卷积神经网络（CNNs）在单图像超分辨率领域展示了显著的进步。然而，随着网络深度和宽度的增加，基于CNN的超分辨率方法在实际应用中面临着计算复杂度和内存消耗的挑战。为了解决上述问题，我们提出了一种深度但紧凑的卷积网络，直接从原始低分辨率图像重建高分辨率图像。总体而言，所提出的模型由三部分组成，分别是特征提取模块、堆叠的信息蒸馏模块和重建模块。通过将增强单元与压缩单元结合到一个蒸馏块中，可以有效提取局部长路径和短路径特征。具体来说，所提出的增强单元将两种不同类型的特征混合在一起，而压缩单元则为后续模块提炼出更有用的信息。此外，由于每层滤波器数量相对较少以及采用了组卷积技术，所提出的网络具有快速执行的优势。实验结果表明，该方法优于现有最先进的方法，特别是在时间性能方面表现突出。