چکیده: 1 چکیده در سال‌های اخیر، فراتفکیک پذ‌یری تصاویر به عنوان یکی از حوزه‌های کلید‌ی در پردازش تصویر و بینایی ماشین مطرح شده است. هدف اصلی این زمینه، بازسازی تصاویر با وضوح بالا از روی تصاویر ورودی با وضوح پایین می‌باشد. استفاده از شبکه‌های عصبی عمیق منجر به دستاوردهای قابل توجهی در این حوزه شده است؛ با این حال، چالش‌هایی چون تعداد زیاد پارامترهای مدل، پیچیدگی محاسباتی بالا و بازسازی بافت‌های پیچیده هنوز وجود دارد. در این رساله، سه روش نوآورانه بر پایه مدل RCAN به منظور کاهش این محدودیت‌ها در تفکیک‌پذیری پیشنهاد شده است. این روش‌ها بترتیب RPCAN، RC-SPAN و RPC-SPAN نامگذاری شده‌اند. در روش RPCAN به منظور بهبود کیفیت بازسازی تصاویر، یک واحد توجه کانال موازی طراحی شده که به طور همزمان از تباین و میانگین‌گیری هر کانال ویژگی استفاده می‎‌شود تا در بازسازی وزن بیشتری به کانال‌های حاوی جزئیات مهم اختصاص ‌دهد. این رویکرد منجربه بهبود کیفیت تصاویر بازسازی شده در تمام مقیاس‌‌ها می‌شود. برای نمونه نتایج پیاده سازی بر روی پایگاه داده Urban100 در مقیاس چهار 45/0 % افزایش در PSNR و 38/0% افزایش در SSIM را نسبت به مدل پایهRCAN به دنبال دارد. روش RC-SPAN به منظور کاهش پارامترهای مدل پیشنهاد شده است. این روش با استفاده ازمعماری لایه‌های همگشتی موازی، تعداد پارامترهای مدل پایه را تا حدود 47 درصد کاهش می‌دهد درحالیکه کیفیت بازسازی تصویر فقط اندکی کاهش می‌یابد. در نهایت، روش RPC-SPAN با ترکیب ویژگی‌های مثبت دو روش پیشنهادی اول و دوم ، ضمن کاهش قابل توجه پارامترهای مدل و پیچیدگی محاسباتی الگوریتم، توانسته است کیفیت تصویر بازسازی شده را نیز بهبود بخشد، ارزیابی‌های انجام شده بر روی مجموعه داده‌های استانداردی همچون Set5، Set14، BSD100، Urban100، Manga109 و Historicalدر مقیاس‌های مختلف فراتفکیک‌پذیری عملکرد مطلوب روش‌های پیشنهادی را تأیید می‌کنند. نتایج حاصل نشان از بهبود قابل توجه معیارهای کمّی و همچنین بهبود کیفیت تصاویر خروجی دارد. ارزیابی‌های بصر‌ی نیز نشان می‌دهند که لبه‌ها و بافت‌های تصویر به صورت دقیق‌تری بازیابی شده‌اند. علاوه بر این، کاهش قابل توجه تعداد پارامترها و پیچیدگی محاسباتی در روش‌های RC-SPAN و RPC-SPAN ، استفاده از این مدل‌ها را در دستگاه‌های با منابع محدود مانند گوشی‌های هوشمند امکانپذیر می‌کند.