针对任意放大倍数的图像超分辨率重建问题，本文中提出一种基于多尺度隐式表示函数的图像超分辨率重建网络。具体来说，为了让网络能够学习到不同尺度的特征以增强不同倍数的超分辨率重建结果，本文首先设计了一个多尺度特征编码器用于提取图像在不同尺度下的特征信息。然后，针对网络在不同放大倍数的重建任务中重建特征存在的细微差距，以及仅适用单一放大倍数的问题，本文将条件卷积将进入到网络中，并进一步改进设计一种尺度自适应卷积来细化各放大倍数任务下的图像特征。最后，将学习到的特征以及对应的坐标信息通过隐式表示函数映射为RGB值，获得重建的高分辨率图像。大量实验结果显示，所提出方法的重建结果有着清晰的纹理信息，并且在评估指标上优于最先进的方法，甚至能在30 这种极端任务中重建出大部分图像信息。

现有的基于卷积神经的SR重建算法可以获得令人满意的视觉效果，但仍然存在伪影和模糊的问题，并且这种现象对于放大倍数较大的（例如4× SR，8× SR）的重建任务来说更加严重。具体来说，随着放大倍数的增加，高频信息更容易丢失，重建误差呈几何级数增加。本文提出了一种新颖的基于高低频差分卷积的图像SR重建网络（High-Low Frequency Differentiation Dynamic Laplacian Pyramid Network, HLDDLap），它由多个高低频差分残差通道注意块（High-Low Frequency Differentiation Residual Channel Attention Blocks, HL-RCAB）来特征提取以及动态反卷积（Dynamic Deconvolution, DDC）来进行上采样操作，分别解决上述问题。首先，为了从图像中提取高频和低频信息，本文提出了一种高低频率差分卷积（High-Low Frequency Differentiation Convolution, HLC），它由一种可学习的高频差分卷积（High Frequency Differentiation, HC）和低频差分卷积（Low Frequency Differentiation Convolution, LC）共同组成，能够动态学习高频和低频的非线性映射，并被封装在HL-RCAB中。其次，DDC在反卷积的基础上引入了路由权重（Rooting Weights）和和额外专家核（Experts），即通过挖掘输入图像的特征，为每个专家分配路由权重，以提高专家的适应度，减少重构误差。大量的 4× SR和 8× SR 实验结果表明，所提出的方法可以重建更多的边缘细节以满足视觉效果，并且在评价指标上优于最先进的方法。

近年来随着深度学习的迅速发展，相较于传统方法，基于深度学习的方法能够恢复出视觉效果，但是现有的深度学习网络模型注重于加深网络结构，通过扩大网络模型来提升重建的质量，这导致计算代价越来越大；而目前主流的使用小卷积核的提取特征的方法，虽然减少了计算量，但也因为感受野较小而无法充分学习到不同区域的特征。针对上述问题，本算法提出了一种基于期望最大化(expectation maximization ,EM)残差注意力图像超分辨率重建（super-resolution, SR）网络，该网络通过构建双路残差块来提取并融合网络的前后层信息，以增强网络的特征提取能力。通过引入 EM 注意力机制来获取特 征信息在空间上的相关性。最后将图像的浅层信息与经过多个 EM 残差注意力模块提取到的深度空间信息进行融合并重建，恢复出高分辨率图像。