基于ｌ１诱导轻量级深度网络的图像超分辨率重建张大宝１赵建伟１，２周正华１摘要现有的基于深度学习的超分辨率重建方法主要通过加深网络以提高网络的重建性能，但是加深网络会导致网络权值数量急剧增加，给网络训练和存储带来巨大负担．考虑到噪声的稀疏性、网络训练的成本及重建图像边缘的清晰度，文中融合模型驱动与数据驱动的思想，提出基于ｌ１诱导轻量级深度网络的图像超分辨率重建方法．先利用分裂Ｂｒｅｇｍａｎ算法和软阈值算子，构建边缘正则的ｌ１重建模型，并推演有效的迭代算法．再在迭代算法的指导下，设计相应的递归深度网络进行图像重建．因此，文中网络是在优化模型指导下设计的，推导出的递归结构由于其权值共享的特性，可减少网络权值的数量．实验表明，文中方法在网络权值数量较少时，仍能取得较优的图像重建性能．关键词超分辨率重建，深度学习，轻量级网络，模型驱动，数据驱动引用格式张大宝，赵建伟，周正华．基于ｌ１诱导轻量级深度网络的图像超分辨率重建．模式识别与人工智能，２０２２，３５（１２）：１１０１－１１１０．ＤＯＩ１０．１６４５１／ｊ．ｃｎｋｉ．ｉｓｓｎ１００３⁃６０５９．２０２２１２００５中图法分类号ＴＰ３９１ＩｍａｇｅＳｕｐｅｒ⁃ＲｅｓｏｌｕｔｉｏｎＲｅｃｏｎｓｔｒｕｃｔｉｏｎＢａｓｅｄｏｎｌ１ＩｎｄｕｃｅｄＬｉｇｈｔｗｅｉｇｈｔＤｅｅｐＮｅｔｗｏｒｋｓＺＨＡＮＧＤａｂａo１，ＺＨＡＯＪｉａｎｗｅｉ１，２，ＺＨＯＵＺｈｅｎｇｈｕａ１ＡＢＳＴＲＡＣＴＥｘｉｓｔｉｎｇｄｅｅｐ⁃ｌｅａｒｎｉｎｇｂａｓｅｄｓｕｐｅｒ⁃ｒｅｓoｌｕｔｉoｎｒｅｃoｎｓｔｒｕｃｔｉoｎｍｅｔｈoｄｓｉｍｐｒoｖｅｔｈｅｒｅｃoｎｓｔｒｕｃｔｉoｎｐｅｒｆoｒｍａｎｃｅoｆｎｅｔｗoｒｋｓｂｙｄｅｅｐｅｎｉｎｇｎｅｔｗoｒｋｓ．Ｈoｗｅｖｅｒ，ｓｈａｒｐｉｎｃｒｅａｓｅoｆｔｈｅｎｕｍｂｅｒoｆｎｅｔｗoｒｋｗｅｉｇｈｔｓｉｓｃａｕｓｅｄｂｙｄｅｅｐｅｎｉｎｇｎｅｔｗoｒｋｓ，ｒｅｓｕｌｔｉｎｇｉｎａｈｕｇｅｂｕｒｄｅｎｆoｒｔｈｅｓｔoｒａｇｅａｎｄｔｒａｉｎｉｎｇｎｅｔｗoｒｋ．Ｗｉｔｈｔｈｅｃoｎｓｉｄｅｒａｔｉoｎoｆｔｈｅｓｐａｒｓｉｔｙoｆｎoｉｓｅ，ｔｈｅｃoｓｔoｆｔｒａｉｎｉｎｇｎｅｔｗoｒｋａｎｄｔｈｅｓｈａｒｐｎｅｓｓoｆｒｅｃoｎｓｔｒｕｃｔｅｄｅｄｇｅｓ，ａｎｉｍａｇｅｓｕｐｅｒ⁃ｒｅｓoｌｕｔｉoｎｒｅｃoｎｓｔｒｕｃｔｉoｎｉｓ...
