单幅图片超分辨率重建技术是通过一定算法算法将一幅低分辨率的图片进行处理,重建出一幅高分辨率图片的技术。目前该技术在医学影像、卫星遥感、高清数字电视、高清游戏和城市安防等多个领域中都有着广泛的应用,同时该技术还有着重要的理论意义,为人们创造了巨大的社会价值与学术科研价值。随着计算机性能的提高以及神经网络的发展,基于深度学习的超分辨率重建方法的优点逐步体现出来,人们逐渐将卷积神经网络应用在超分辨率重建技术领域。但经典超分辨率算法仍然存在一些问题:很难对图像的纹理细节进行还原;若是想要在一个已经训练完成模型上进一步提高重建图像质量,则需对模型进行更改并重新训练,这需要花费更多的训练时间。针对上述问题,本文提出了细节生成网络。该网络不放大图像,仅针对图像细节进行重建,能够进一步恢复图像的细节;该网络能与其他任意超分辨率算法组合使用,能在不改变、不重新训练原网络的情况下,进一步提高重建图像质量,有效提升性能指标。图像先经过将其他网络模型,输出图片后再经过细节生成网络,所以细节生成网络耦合性低,适用性广,可扩展性强。实验表明,细节生成网络结合其他超分辨率网络重建的图像客观指标更高,主观效果更好,图像质量超越原网络。如今常用的超分辨率网络常常引入了注意力机制,但是注意力机制往往只在一层或一个模块中使用,不能很好地结合更浅或更深层的信息。为了更好地利用注意力机制以及结合细节生成网络,本文提出提出基于迁移注意力机制的图像超分辨率重建网络,称为迁移注意力网络。迁移注意力网络模型结构类似于细节生成网络。在对低分辨率图像进行特征提取的同时提取注意力,然后将每个模块提取的注意力通过特征融合,得到迁移注意力,再将迁移注意力输入到细节生成网络的每层之中。这使注意力贯穿至整个网络之中,使整个网络充分的利用到各层之间的注意力,然后通过学习,自适应地选择合适的注意力比例。通过在不同超分辨率倍数下,多个测试集的实验对比可以看出,迁移注意力网络对图像重建的结果在客观指标和主观效果中均优于其他主流算法。