半色调是基于人眼视觉低通特性将色调连续的图像转为二值图像的一项技术,解决了连续调图像在有限阶调设备输出和显示的问题。经半色调技术量化后的图像会产生像素、色彩等丢失现象,是一个不可逆的有损过程。为了得到更好的重处理结果就需要利用逆半色调技术将半色调图像转化为连续调图像,然后再进行数字图像的重处理。传统的逆半色调算法,需要利用半色调的先验知识,进行人工建模,模型的泛化能力不足,恢复的连续调图像质量不高。人工智能和卷积神经网络等技术的出现,给图像的逆半色调技术带来了新转机,但多数算法采用均方误差等像素级损失进行优化,生成的图像较为模糊。针对以上问题,本文对逆半色调技术展开了以下研究:（1）针对基于卷积神经网络生成的连续调图像在细节表现不佳的问题,论文提出了多尺度鉴别器的图像逆半色调方法,通过引入生成对抗网络模型学习数据的分布特性,来增强图像边缘的恢复。生成器参考多任务网络的思想设计内容合成子网络和细节增强子网络,渐进式地由粗到精生成逆半色调图像。为了捕获更多连续调图像的纹理特性,选用多尺度鉴别器从多个尺度对图像进行判定,进一步提升模型性能。（2）在多尺度鉴别器的图像逆半色调的网络基础上引入基于边缘特征的MSE损失,将其与内容损失,对抗损失结合起来作为生成器的损失函数,来进一步提升图像质量。从客观和主观角度进行评价,结果表明本文提出方法能够提高逆半色调图像的视觉效果,并且在图像的边缘细节恢复方面高于其他算法,生成的轮廓线条更为流畅。（3）针对多尺度鉴别器模型在部分逆半色调图像中残留噪点痕迹的问题,论文提出了多尺度特征融合的图像逆半调方法进行改进。通过设计多尺度特征提取模块,来丰富当前像素点与周围邻域的关系,改进了单一尺寸卷积核对图像特征信息提取不足问题。该模块选用多种扩张率的空洞卷积,并行对半色调图像特征进行提取,使得网络在输入端可以获得更为丰富的图像内容信息,最后经过串联拼接技术对特征进行融合。引入空洞卷积可以在不改变图像分辨率和参数规模的情况下,通过扩大感受野,来提高图像的恢复效果。（4）由于不同尺度的卷积核提取的信息不同对生成的逆半色调图像的贡献值不同,本文引入通道注意力机制自适应地对融合后的特征权重进行分配,从而凸显出多尺度特征的通道特异性。实验结果表明,论文提出的多尺度特征融合方法不仅可以恢复出较好的图像细节,与其他算法相比生成的逆半色调图像纹理更为光滑。并且该方法对多种半色调的适应性也有所提高,生成图像视觉效果更为真实。