摘要
我们提出了一种简单而有效的单图像超分辨率（Single Image Super-Resolution, SISR）模型，通过结合残差学习（Residual Learning）和卷积稀疏编码（Convolutional Sparse Coding, CSC）的优点。该模型受到学习迭代收缩阈值算法（Learned Iterative Shrinkage-Threshold Algorithm, LISTA）的启发。我们将LISTA扩展到其卷积版本，并严格按照卷积形式构建了模型的主要部分，从而提高了网络的可解释性。具体而言，输入特征图的卷积稀疏编码以递归的方式进行学习，高频信息可以从这些CSC中恢复。更重要的是，应用残差学习可以缓解网络深度增加时的训练难度。在基准数据集上的大量实验表明了我们方法的有效性。RL-CSC（30层）在精度和视觉质量方面均优于几项近期的最先进方法，例如DRRN（52层）和MemNet（80层）。代码和更多结果可在https://github.com/axzml/RL-CSC 获取。