單張圖像超分辨率重建受到多對一映射的困擾，對于給定的低分辨率圖像塊，存在若干高分辨率圖像塊與之對應(yīng)．基于學習的方法受此影響，學習到的逆映射規(guī)則只能預測這些高分辨率圖像塊的均值。從而產(chǎn)生視覺上模糊的超分辨率重建結(jié)果．為了克服歧義性造成的高頻細節(jié)損失。本文提出了一種基于深度網(wǎng)絡(luò)。利用在線檢索的數(shù)據(jù)進行高頻信息補償?shù)膱D像超分辨率重建算法．該方法構(gòu)建一個深度網(wǎng)絡(luò)。通過三個分支預測高分辨率重建結(jié)果：一條旁路直接將輸入的低分辨率圖像輸入到網(wǎng)絡(luò)的最后一層：一條內(nèi)部高頻信息重建路徑基于低分辨率圖像回歸預測高分辨率圖像，重建高分辨率圖像的主要結(jié)構(gòu)：另一條外部高頻信息補償路徑根據(jù)內(nèi)部重建的結(jié)果，從在線檢索到的相似圖像中提取高頻細節(jié)，對內(nèi)部重建的重建結(jié)果進行細節(jié)補償．在第二條路徑中，為了有效提取高頻信號并使之適應(yīng)于內(nèi)部重建的重建結(jié)構(gòu)，本文在多層特征的測量和約束下，進行高頻細節(jié)遷移．相比于之前基于云數(shù)據(jù)庫的傳統(tǒng)圖像超分辨率方法，本文提出的方法是端對端可訓練的（end-to-end trainable），因此通過在大數(shù)據(jù)上進行學習，方法能同時建模內(nèi)部重建和外部補償，并能自動權(quán)衡兩者利弊而給出最優(yōu)的重建結(jié)果+圖像超分辨率重建的實驗結(jié)果表明，相比于最新的超分辨率算法，本文方法在主客觀評價中均取得了更加優(yōu)越的性能．