逆半色调(Inverse Halftoning)和图像扩展(Image Expanding)是图像处理领域中的两个经典问题,旨在将低位深的图像恢复成高位深的图像,它们分别是半色调(Halftoning)和图像压伸(Image Companding)的逆问题。半色调和图像压伸技术使用较少的比特表示像素的灰度级,广泛应用于图像的压缩、存储以及印刷行业。但这种图像量化过程通常伴随着不可逆的图像质量退化,导致低位深图像出现方块效应、轮廓伪影和振铃效应等不自然的痕迹,大大降低了图像的视觉效果。至今已经有许多学者对逆半色调和图像扩展问题进行了研究,并取得了不少进展。但是这些方法要么是量化痕迹清除不彻底,要么是图像恢复的细节质量不高。本文结合深度学习技术,针对现有方法的不足提出了一种基于梯度信息指导的渐进式残差网络模型,能够在去除量化痕迹的同时保证纹理图案的恢复质量。本文的工作主要分为如下几个方面:1)为了充分利用网络的高层和低层特征,本文将U-Net作为模型中的基础结构,并提出一种梯度信息指导的网络结构,利用Sobel梯度信息来指导网络生成质量较高的粗糙图像,一定程度上增强了恢复图像的细节;2)在梯度指导信息的基础上,融入残差学习思想,提出一种渐进式残差学习结构,通过学习一个残差映射对上一步生成的粗糙图像进行有针对性的微调,进一步提升了恢复图像的细节表现。3)最后通过大量实验证明了本文模型的图像恢复结果从数值上和视觉上都大大领先现有方法,尤其是细节纹理的恢复表现出众。还通过模型简化测试证明了本文模型设计的合理性和有效性。