1、“.....部多通道映射，增强模型性能，同时也将对获得的特征图进行维度压缩，从而减少参数，使得超分辨率重构效果更好。实验结果分析表展示了以幅图像作为训练集，各方法在不同图像放大比例下，各测试集上所有图像重建后的平均值，从表中可以看出，与现有方法相比，本文所提方法具有更高的，可以生成更高质量的图像。结语本文主要通过对模型进行加深以及加宽处理达到提高性能的目的。其中加深操作通函数作为模型的激活函数。另方面，模型训练过程中对网络权值进行合理的初始化是非常重要的......”。

2、“.....等人发现当输入权值与输出权值在前向传播与反向传播过程中保持相同的分布时，模型的性能最优秀模型可以快速收敛并且收敛的结果更加优秀。为了达到这个目的，提出种简便的初始化方法初始化。它规定提出的新的损失函数为其中，表示图像，表示图像，表示残差，表示对应的，是金字塔结构的数量，是训练样本数量。新的函数的每个都有个对应的，训练过程中的目的是将各个的的和降低......”。

3、“.....摘要该方法是将低分辨率图像直接作为输入，逐级预测金字塔层的残差图像，选择特定的初始化方法享权重的方式进行图像超分辨率重构，改进的模型可以更好地重建出图像的纹理和细节。提出的新的损失函数为其中，表示图像，表示图像，表示残差，表示对应的，是金字塔结构的数量，是训练样本数量。新的函数的每个都有个对应的，训练过程中的目的是将各个的的和降低。该网络模型使用逐级放大来实现多级超分辨，即同个模型可以生成对特征图的维度压缩操作部分，从而减少训练参数......”。

4、“.....另外，我们还采用初始化方法，进而加快模型收敛速度。实验结果表明，模型在主客观评价方式上均优于经典方法。这表明若要提升模型的性能，必然要求模型可以提取更加丰富的图像特征并且更有效地利用特征生成图像，将来可以沿这条路线做更多的工作。参考文献，基于拉普拉斯结构的图像超分辨率重建论文原稿不同规模的超分辨率图像。例如个的模型同时也可以实现和的超分辨任务，这主要也是得益于金字塔结构。此网络不足之处在于无法很好的复现图像很细致的结构......”。

5、“.....基于拉普拉斯结构的图像超分辨率重建论文原稿。该网络模型使用逐级放大来实现多级超分辨，即同个模型可以生成不同规模的超分辨率图像。例如个的模型同时也可以实现和的超分辨任务，这主要也是得益于金字塔结构摘要该方法是将低分辨率图像直接作为输入，逐级预测金字塔层的残差图像，选择特定的初始化方法对网络权值进行初始化，加快模型收敛，并引入多通道映射提取更加丰富的特征，采用卷积级联，相同的均值为，方差为的分布，其中表示当前层的参数数目，表示下层的参数数目......”。

6、“.....我們的模型是将低分辨率图像作为输入，并逐级预测金字塔层的残差图像，选择对网络的权值进行初始化加快模型收敛使用多层的小卷积核代替单层的大卷积核加深网络模型，并且将非线性映射部分改为局部多通道映射，增强模型性能，同时也将对获得的特征图进行维度压缩，从而减少参数使得超分辨率重构效果更好。实验结果分析表展示了以幅图像作为训练集，各方法在不同图像放大比例下，各测试集上所有图像重建后的平均值，从表中可以看出......”。

7、“.....本文所提方法具有更高的，可以生成更高质量的图像。结语本文主要通过对模型进行加深以及加宽处理达到提高性能的目的。其中加深操作通过将大尺寸的卷积核替换为多层卷积核，并采用多通道卷积级联的方式达到加宽操作通过增基于拉普拉斯结构的图像超分辨率重建论文原稿行合理的初始化是非常重要的。初始化方法的不同选择可以直接决定个模型是否可以收敛收敛速度快慢以及最终的收敛状态如何。等人发现当输入权值与输出权值在前向传播与反向传播过程中保持相同的分布时......”。

8、“.....为了达到这个目的，提出种简便的初始化方法初始化。它规定第层的权值服从均值为，方差为的分布，并且建议采用均匀分布形式，使得输出保持和输。本文提出了种新的结构模型基于拉普拉斯金字塔的多通道图像超分辨率卷积神经网络模型。实验证明，该模，将大尺寸的卷积核替换为多层卷积核，并采用多通道卷积级联的方式达到加宽操作通过增加对特征图的维度压缩操作部分，从而减少训练参数，使得超分辨率重建效果更好。另外，我们还采用初始化方法......”。

9、“.....实验结果表明，模型在主客观评价方式上均优于经典方法。这表明若要提升模型的性能，必然要求模型可以提取更加丰富的图像特征并且更有效地利用特征生成图像，将来可以沿这条路层的权值服从均值为，方差为的分布，并且建议采用均匀分布形式，使得输出保持和输入相同的均值为，方差为的分布，其中表示当前层的参数数目，表示下层的参数数目。网络架构我们在拉普拉斯金字塔框架的基础上构建我们的模型，我們的模型是将低分辨率图像作为输入，并逐级预测金字塔层的残差图像......”。