目前,深度生成对抗网络（GANs）已经成为人工智能领域研究热点之一,其在图像,语音,自然语言处理等基础领域都有着广泛的应用。但是生成对抗网络一直存在着训练不稳定和模式坍塌两大缺点。为了解决这两个问题,研究人员将Wasserstein距离引入到生成对抗网络中代替失效的相对熵度量,并且引入Wasserstein距离的对偶形式来近似计算分布之间的距离,从而在GANs模型架构中引入了评函数的结构,以此提出生成对抗网络的变体:Wasserstein-生成对抗网络（WGAN）。但是研究表明,优化对偶形式中的评函数结构会使得整个网络的时间复杂度变高,这使得对偶形式的优化成为一个巨大的挑战。不仅如此,对偶形式也未能优化真正的Wasserstein距离。在本文中,为了更深入的理解生成对抗网络的机制,我们简化了WGAN的基础架构,通过优化WGAN的主形式,避免了引入额外的Critic结构,并将优化后的生成对抗损失引入到图像恢复任务中。具体来说,在WGAN的主形式中,我们通过简化真实分布和生成分布之间的条件概率分布,直接近似计算Wasserstein距离,然后通过最小化分布之间的Wasserstein距离,迭代更新生成器的参数。通过简化模型架构,我们发现WGAN中一一匹配的损失会导致生成器出现严重的过拟合问题。该发现启发我们将生成对抗损失引入到真实数码变焦任务的模型框架中。本文的研究工作如下:（1）为了解决WGAN主形式下的高计算复杂度和训练不稳定性问题,我们提出了改进原始Wasserstein模型的训练方法。我们首先将Wasserstein距离形式化为线性分配问题,并通过匈牙利算法直接有效地计算经验Wasserstein距离。其次考虑到2-范数在度量高维数据中失效的特性,我们在传输成本函数中采用不同的度量方法来度量图像的差异。最后我们从理论上分析了小批量抽样是导致WGAN主形式框架训练不稳定的原因,并提出了一种简单有效的方法来缓解训练的不稳定性。具体地说,我们增大批数据的大小,同时缩小了数据集的大小,以此最小化小批量抽样引起的偏差。（2）其次,我们将WGAN损失引入到真实图像的数码变焦任务中。我们提出了一个基于自监督的残差感知网络,该网络通过明确地利用丢失信息来准确地恢复高分辨的图像。该网络的新颖之处在于:1)提出了一种自监督的残差感知辅助任务,它可以提取并提供丢失信息的高维特征表示,从而有效地学习数码变焦的任务,而不需要任何的人工标注成本。2)提出了多尺度池化和旋转的空间注意力机制,该改进的注意力机制能够有效的探索空间表征上丰富的上下文依赖关系,实现特征之间高效的聚合。3)引入了WGAN中的判别器来计算生成图像和真实图像之间的分布差异,该对抗损失可以指导生成网络输出更加真实的变焦图像。