高分辨图像具有画面清晰、色彩丰富等优点,很多应用场景对图像分辨率都有着较高的要求。然而现实世界中,成像过程受众多因素影响,往往无法获得高质量的图像。为了解决这一问题,可以利用超分辨率重建技术恢复出图像损失的细节信息,提高分辨率。深度学习的发展使得图像超分辨率重建技术获得了很大的突破,是近年国内外学者研究的重点。本文重点关注基于深度学习的超分辨重建方法,主要研究内容如下:1.论文首先介绍图像超分辨率重建的相关研究背景及其基础知识,并对这项技术的研究现状进行分析,着重阐述深度学习在超分辨重建中的应用。为了进一步提升重建质量,改进现有算法的不足,利用残差学习思想提出基于卷积神经网络和生成对抗网络的超分网络模型。2.传统前馈神经网络在提取图像特征时容易出现丢失局部信息的情况,为此,在充分考虑信息持久性在网络传播过程中的影响的基础上,本文提出增强型两阶段超分辨重建残差网络模型,在增加网络深度的同时可以有效地融合各层学习到的特征。重建第一阶段是通过稠密残差单元完成对图像特征的分层学习,提升信息的整合程度。重建第二阶段主要是对在第一阶段学习到的图像高频信息进行残差再学习,缩小重建误差。在这两个阶段中间,模型引入特征缩放和扩张卷积,达到减小信息冗余和增大卷积核感受野的双重目的。3.现有的超分辨率算法大多采用均方误差损失作为目标优化函数,重建出的图像纹理边缘模糊,难以满足主观视觉感受的需求。为了解决这一问题,本文以生成对抗网络为主体框架提出融合感知损失的超分辨率重建模型,高度还原图像丢失的高频语义信息。生成对抗网络的生成器模块由包含稠密残差块的特征金字塔构成,递进式地完成不同尺度的重建。判别器模块中引入微步幅卷积和全局平均池化,有效地学习到生成器重建图像的数据分布规律,提升判断生成图像真实性的能力。最后,模型的目标函数融合了感知损失,重点关注影响图像视觉感受的语义特征重构。