1.一種超分重建模型訓練方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述學生超分重建網絡包括卷積網絡以及多個多尺度聚合模塊，所述將所述第一低頻子帶圖像以及所述第一高頻子帶圖像輸入學生超分重建網絡，得到經過處理的第二低頻子帶圖像以及第二高頻子帶圖像、特征提取過程中的l層學生特征圖以及超分重建后的學生超分辨率圖像，包括：
3.根據權利要求2所述的方法，其特征在于，所述將所述淺層特征依次輸入各所述多尺度聚合模塊，得到特征提取過程中的l層學生特征圖以及最終的深層特征，包括：
4.根據權利要求3所述的方法，其特征在于，所述多尺度聚合模塊包括第一融合層、分組卷積層、n個卷積層、通道混洗層以及第二融合層，所述將所述淺層特征輸入第一個所述多尺度聚合模塊，得到第一深層特征以及多個學生特征圖，包括：
5.根據權利要求1所述的方法，其特征在于，所述根據所述低分辨率圖像、各所述教師特征圖、所述教師超分辨率圖像、各所述學生特征圖、所述學生超分辨率圖像、所述第一低頻子帶圖像、所述第一高頻子帶圖像、所述第二低頻子帶圖像以及所述第二高頻子帶圖像，計算出損失信息，包括：
6.根據權利要求5所述的方法，其特征在于，所述根據各所述教師特征圖以及各所述學生特征圖，計算出特征蒸餾損失信息，包括：
7.根據權利要求6所述的方法，其特征在于，所述特征蒸餾損失函數為：
8.根據權利要求5所述的方法，其特征在于，所述教師監(jiān)督損失函數為：
9.一種圖像超分重建方法，其特征在于，所述方法包括：
10.一種電子設備，包括存儲器、處理器及存儲在存儲器上并在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述程序時實現權利要求1至8任一項和/或權利要求9所述的方法。