近几年来,卷积神经网络被广泛应用于图像超分辨率重建任务中,从主观质量和客观质量均取得了比传统超分辨率重建方法更好的效果。图像超分辨率重建是一个典型的逆问题,解决该问题的核心在于设计有效的退化模型从给定的低分辨率图像中重建出潜在的高分辨率信息。随着深度学习的迅速发展,基于深度学习的图像超分辨率方法大致可以分为三个阶段:浅层网络、深层网络和带有注意力机制的网络。第一阶段的浅层网络被用来泛化传统的图像超分辨率重建算法,但是存在着梯度消失问题。第二阶段的深层网络使用各种机制解决了梯度消失问题,从而构建了非常深的网络结构。然而,这阶段的网络均忽略了特征图中不同区域的重要程度,因此网络的表征能力不强。第三阶段的带有注意力机制的网络能够在特征图中自适应的选取感兴趣的区域,进而增强了网络的表征能力。对于高级视觉任务,由于特征图中各个位置的重要性是不同的,所以采用注意力机制通过增强关键性特征能够提高识别的准确率。然而,将注意力机制用于低级视觉任务(比如图像超分辨率重建)并不是最优的,这是因为特征图中每个位置是同等重要的。在这种意义下,很有必要为图像超分辨率重建任务设计相应的特征重校准机制。为了解决这些问题,我们分别可视化了不带有注意力机制和带有注意力机制的图像超分辨率网络,发现了一个有趣的现象:网络提取的特征图中包含的噪声程度越小就趋向有更好的重建性能,这意味着与不带有注意力机制的网络相比,注意力机制有着一定的特征去噪作用。这也许是因为注意力机制提取到了特征图中的主成分(高能量),这些主成分在一定程度上代表低频信息。在这种意义下,注意力机制有着增强低频和抑制高频信息的作用。然而,当抑制高频信息时在一定程度上会丢失一些细节纹理特征。这就启发着我们为图像超分辨率重建问题设计专门的特征去噪模块。根据传统的信号处理理论,卷积运算可以被视作为变换,所以抑制特征图中的噪声其实是对变换域去噪。在这种意义下,我们提出了两种轻量化的特征去噪模块:软阈值模块和自适应软阈值模块,该模块泛化了经典的用于变换域去噪的软阈值算法。将特征去噪模块引入到典型的不带有注意力机制的图像超分辨率网络EDSR,我们提出了一个基于类凸集投影(Projection Onto Convex sets,POCs)算法的图像超分辨率网络PL-DSR。实验表明,PL-DSR提取的特征图中噪声程度低,包含了更多的细节特征。因此,本文方法不但模型参数量更少(EDSR的28.8%,RCAN的74.6%和SAN的76.0%),而且取得了目前最好的的重建质量。除此之外,我们还将本文方法进一步拓展到计算光谱成像领域,并获得了比现有方法更好的光谱图像重构质量。