An SR net is formulated to learnthe parameter 1 of M 1 As shown in Fig 1a the networkemployed in this article consists of both feature extraction andimage reconstruction modulesIn the feature extrac

SR网络被设计用来学习M1的参数?1。如图1(a)所示，本文中使用的网络包括特征提取模块和图像重建模块。

在特征提取模块中，选择了多尺度残差块（MSRB）[图1(b)]和多尺度残差网络中使用的分层特征融合结构（HFFS）[图1(c)]作为基本模块。在特征提取模块中，MSRB[36]使用两个旁路网络来检测不同尺度的特征，其中两个旁路分别使用了大小为3×3和5×5的64个卷积核。通过这种方式，不同尺度提取的特征可以在块之间共享。最后，添加了一个卷积层，核大小为1×1，用于融合由两个旁路网络提取的特征，并将它们的数量减少到64。采用残差学习来确保信息的流动并降低计算复杂度。MSRB提供的多层次特征随后被输入到HFFS[36]中以自适应地提取有用的信息。具体来说，如图1(c)所示，每个MSRB输出的多层次特征被级联并通过一个瓶颈层（即一个具有64个1×1卷积核的卷积层）进行融合。

值得注意的是，在输入到MSRB之前，特征提取模块的输入图像（即粗糙图像Cx和空间细节项Fy-Cy）首先被输入到一个大小为3×3的64个卷积核的卷积层中。这一层将输入图像转换为高维非线性特征图，然后使用一个大小为3×3、64个卷积核的卷积层进行级联和融合，为MSRB[36]提供丰富的信息。

重建块用于将HFFS[36]的输出重建为最终的细节图像，它由两个卷积层组成，分别使用64个和1个卷积核。这两个层的卷积核大小都是3×3。然后，给定M1的学习参数?1，使用该参数来预测SIM（空间2）得到ˆF。