摘要
深度学习（DL）的快速发展推动了单图像超分辨率（SR）进入了一个新时代。然而，在现有的大多数基于DL的图像SR网络中，信息流仅限于前馈，导致高层次特征无法得到充分挖掘。在本文中，我们提出了一种用于精确图像超分辨率的门控多反馈网络（GMFN），该网络通过重新路由多个高层次特征来高效地丰富低层次特征的表示。我们级联了多个残差密集块（RDBs），并在时间上反复展开它们。所提出的GMFN中的两个相邻时间步之间的多反馈连接利用了在大感受野下捕获的多个高层次特征，以精炼缺乏足够上下文信息的低层次特征。精心设计的门控反馈模块（GFM）有效地从多个重新路由的高层次特征中选择并进一步增强有用信息，然后利用增强后的高层次信息来精炼低层次特征。大量实验表明，我们提出的GMFN在定量指标和视觉质量方面均优于当前最先进的SR方法。代码可在https://github.com/liqilei/GMFN 获取。