获取图像过程中,天气、成像设备和背景运动变化等因素会对图像质量造成影响,使得图像质量差、分辨率低,以致不能满足后续图像处理和分析的要求。图像超分辨率是用分辨率比较低的单张图片或者一组视频序列重构出与之相对应的高分辨率图片的一个过程,从而得到较高分辨率的图像应用于人脸识别、视频监控、无人驾驶、谣言监测等计算机视觉和图像处理领域。近年来硬件计算能力迅速增强,深度学习得以应用于计算机视觉等领域,并且有了显著性提升,受这些成果启发,图像超分辨率(Super-resolution Reconstruction,SR)也引入深度学习思想,而且重建所得效果和传统算法相比有很大提升,成为目前超分辨率研究的热点。普通深度学习网络重建的图片的缺少真实感和一些高频细节,生成对抗网络可以克服这些缺点,因此本文研究基于生成对抗网络的图像超分辨率重建。研究工作细节如下:1)回顾超分辨率重建和生成对抗网络相关基本理论,综述其发展现状与研究意义。首先把超分辨率重建算法分为3类进行介绍,然后再把基于深度学习的超分辨率算法分为两类详细介绍,再阐述生成对抗网络的原理,最后介绍基于生成对抗网络的图像超分辨率所需要用到的技术。这为后续研究夯实理论基础2)提出基于圈网络的图像超分辨率重建的改进方案:改进并引入圈网络块应用于图像超分辨率重建,去掉圈网络块的池化层和批处理归一化层;并且采用合适的损失函数和优化方法以适应于图像超分辨率任务。设定合适参数后对训练集进行训练获得模型,然后由低分辨率图像可由模型重建出对应的高分辨率图片,最后用评价标准峰值信噪比和结构相似性把本网络结果和现有几种网络相比较,实验证明本方法结果较好。此研究可为基于生成对抗网络的图像超分辨率作铺垫。3)提出基于迭代反投影生成对抗网络的图像超分辨率重建方案:它的网络由生成网络和鉴别网络组成,生成网络中引入迭代反投影思想结合残差网络应用于图像超分辨率重建,其中上采样改进为亚像素卷积层,下采样层改进为最大池化层,另外去除残差块中的批处理归一化层;损失函数改进由Huber损失函数、情境损失函数和对抗损失函数组成。最后和SRGAN(Super-Resolution Using a Generative Adversarial Network)进行对比实验,可以得到比SRGAN更好的重建效果。本文先研究了基于圈网络的图像超分辨率重建,以此为引,再研究本文的主要研究内容,即基于迭代反投影生成对抗网络的图像超分辨率重建。最后实验表明此方法可以得到具有高频细节,更加真实的高分辨率图像。