摘要：近年来，基于深度学习的图像超分辨率（Super Resolution， SR）受到广泛关注，其目的是提高图像的分辨率，以便于对图像做进一步的处理，如目标检测、图像分类和人脸识别等。图像SR领域近年来取得了迅猛发展，尽管涌现出许多关于该领域的综述，但有关轻量级SR模型的相关综述还不多见。通过对基于深度学习的轻量级SR方法研究现状和损失函数进行了分析，对目前轻量级SR方法做了新的分类，分别为传统卷积方法和注意力机制方法，系统梳理了图像轻量级SR方法的发展历程和最新进展，指出了每一种方法的存在优势和缺陷。最后，通过对当前轻量级SR技术存在的问题进行分析，给出了轻量级图像SR方法未来的研究方向。
文章目录
1 轻量级超分辨率网络设计
1.1 传统卷积方法
1.1.1 基于卷积神经网络
1.1.2 基于残差结构
1.1.3 基于密集连接
1.1.4 基于蒸馏机制
1.1.5 基于轻量级卷积
1.2 注意力机制方法
1.2.1 通道注意力
1.2.2 空间注意力
1.2.3 像素注意力
1.2.4 自注意力
1.2.5 多尺度注意力
1.2.6 金字塔注意力
1.3 损失函数分析
1.4 小结
2 主要问题及未来方向
3 结束语
