随着多媒体和信息技术的快速发展,人们对图像视频的质量要求越来越高。图像视频作为信息的主要载体,其质量直接影响视觉领域高层决策任务的准确性。近年来,深度学习技术迅速崛起,尤其是在图像视频领域不断有新的突破。在实际的应用中,由于网络传输带宽和硬件存储空间的限制,高分辨率的图像难以直接传输和存储,需要进行压缩编码处理,再经过图像重建算法恢复出原始图像。因此,图像重建技术是图像领域的研究重点之一,具有广泛的实际意义。语义图包含自然图像的语义信息,并具有保留图像中的类别和位置信息、内容单一、易于压缩等诸多的优点,因而受到广泛关注。在图像超分辨率重建方面,对于较大的放大倍数,低分辨率图像到高分辨率图像之间的非线性映射是严重的不适定和病态问题。为此,本文将语义信息与图像超分辨率相结合,提出基于语义图的图像超分辨率重建模型。在图像压缩重建方面,本文提出了基于语义图的图像压缩重建方案,在低码率下具有更好的重建质量。完成的工作主要包括:(1)提出了基于语义图的图像超分辨率重建算法。本方案设计的模型包含三个部分:语义图生成网络、图像重建网络和图像增强网络,其中每个网络都是基于条件生成对抗网络来设计。该方案主要研究×4倍和×8倍条件下的图像超分辨率重建。与其它超分辨率重建算法相比,实验结果表明该方案重建出的图像具有更好的感知质量。(2)提出了语义信息自适应融合的图像超分辨率重建算法。本方案提出了特征自适应融合模块,该模块能够将语义信息自适应融合到网络的特征图中,用于引导图像的重建过程。所提出的图像重建网络是基于残差网络来设计,残差块不仅可以减少学习冗余,加快网络的收敛速度,还可以改善梯度信息,解决梯度消失的问题。通过与其它特征融合方法以及其它图像超分辨率重建算法比较,实验结果验证了所提出方案的合理性和有效性。(3)提出了基于语义图的图像压缩重建算法。在传统的图像压缩算法中,图像在压缩至低码率下时,重建出的图像具有严重的块效应或者模糊等压缩伪影。为了提升低码率下重建图像的质量,本方案利用语义图易于压缩的特点,提出了基于语义图的图像压缩框架,该框架包含编码端和解码端两部分。通过与传统的图像压缩标准JPEG和JPEG2000相比,所提出方案的重建结果具有更好的视觉感知效果。