現在の深層学習に基づく画像超解像再構成手法のパラメータ数が多い問題に対して、Deep Laplacian Pyramid Networks（LapSRN）を基に、軽量化されたラプラスピラミッド画像超解像再構成畳み込みニューラルネットワークを提案する。まず、入力された低解像度画像（Low Resolution Image, LR）から浅い特徴を抽出する。次に、パラメータ共有が可能な同源スキップ接続を持つ再帰ブロック構造を用いて、浅い特徴から徐々に深い特徴を抽出し、高周波情報を含む残差画像（Residual Image, RI）を推定する。その後、RIおよび入力されたLRに対して、転置畳み込みによるアップサンプリングを行い、両者を画素ごとに加算して超解像画像（Super Resolution Image, SR）を得る。本手法は3つの拡大倍率においてパラメータ数がLapSRNの3.98%に過ぎず、火星リモートセンシング画像の4倍超解像においてピーク信号雑音比（Peak Signal to Noise Ratio, PSNR）が0.0313dB、8倍超解像において0.1167dB向上した。提案手法は超解像再構成効果をほぼ維持しつつ、ネットワークパラメータ数を2倍で81.6%、4倍で90.8%、8倍で88.8%削減した。

軽量化;畳み込みニューラルネットワーク;超解像再構成;ラプラス画像ピラミッド