图像超分辨率重建旨在由低分辨率观测恢复高分辨率细节，是计算机视觉中的基础问题之一。传统插值方法在边缘与纹理区域易产生模糊与振铃，而单一尺度的卷积网络难以兼顾全局结构与局部细节。本文提出一种多尺度特征融合网络，通过并行的空洞卷积分支提取不同感受野的特征，并在通道维度上进行加权融合。实验在公开数据集上进行，采用峰值信噪比与结构相似度作为评价指标，与若干代表性方法进行了对比。
关键词：超分辨率重建；多尺度特征；空洞卷积；特征融合
随着成像设备与传输带宽的限制，实际获取的图像往往分辨率不足。如何在计算代价可控的前提下恢复高频细节，具有明确的应用价值。现有研究大致可分为基于插值、基于重建与基于学习三类，其中基于学习的方法在近十年取得显著进展。
高分辨率图像在医学影像、遥感监测与消费电子等领域具有广泛需求。受光学器件与传感器尺寸的物理限制，直接获取高分辨率图像的成本较高，因此通过算法手段进行重建成为更具可行性的技术路径。
早期方法多依赖先验约束求解病态逆问题，计算复杂度较高。随着深度学习的兴起，端到端的网络结构逐渐成为主流，残差学习与密集连接的引入进一步提升了重建质量。然而，现有方法在参数效率与推理速度之间仍存在权衡。
本文的整体框架由特征提取、多尺度分支与融合重建三部分组成。为控制参数量，主干采用轻量化设计，并在每个分支末端引入通道注意力模块，以自适应地调整不同尺度特征的贡献。
（此处为占位内容，用于演示排版效果。）