高质量图片通常指高分辨率且清晰的图片。它们拥有丰富的高频信息,比如清晰纹理,鲜艳的色彩等,这些高频信息不仅可以提高计算机视觉任务的准确率,比如人脸识别,目标检测等,还可以给予人们很好的视觉享受。在经典的视觉任务中,获取高质量图片的做法是通过超分辨率重建或图像去模糊来修复受损图片获得。超分辨率重建就是针对分辨率低的图像,利用合适的数学模型对其进行像素补全,使图像表达出更丰富的信息。而图像去模糊是指利用合适的数学模型把模糊的图片修复成清晰的图片。由于近几年来深度学习的快速发展,深度神经网络在图像修复领域也取得了比较大的进展。深度神经网络对比传统方法的优势在于其端对端网络训练方便,并且还能达到更好的效果。目前,基于深度学习的图像修复任务均可以在PSNR和SSIM等传统评价指标上取得了比较高的分数。但是,现实中,图片受损的因素不仅仅只有一种。比如,在路边摄像头中拍摄得到的人脸或汽车,不仅分辨率低,还会存在运动模糊。这种情况,如果使用单一的超分辨率重建模型或者去模糊模型,很难把这些图片还原回原来质量的图片。此外,目前图像修复工作中大多只使用PSNR和SSIM作为方法的评价指标,这样生成的图片虽然失真度较低,但会丢失了大量高频细节。这不仅使生成的图片看起来不真实,而且还会影响它们计算机视觉任务中的性能。针对以上的问题,我们设计了一个端对端的生成对抗网络,并命名为P~2GAN。该网络的生成器由去模糊特征提取模块和超分辨特征提取模块构成,可以把低分辨率并存在降质模糊像素的图片修复成高分辨率的清晰图片。其中,生成器的去模糊模块通过级联残差块(Residual in Residual,RIR)组成非对称编码-解码结构(asymmetric residual encoder-decoder architecture,A-RED),该结构可以扩大网络的接收场来增强对大尺寸模糊核的图片的特征提取能力。超分辨率模块则通过连接多个稠密残差块来提取图片的超分辨率特征。在提取超分辨率特征的过程中,去模糊特征自适应地与超分辨率特征进行融合,并用于构建最终的修复图像。另外,本文把通道注意模块(Channel Attention Block)引入到去模糊特征提取模块和超分辨率特征提取模块中,通过关联每一个卷积层提取到的特征图之间的相互关系,自动调整每一个卷积层输出的特征权重,提高网络的特征表示能力。另外,本文同时考虑从图像的像素层面和语义层面来优化网络,通过组合逐像素损失(pixel-wise loss,也称为均方差损失),对抗损失(Adversarial loss)和语义损失(Contextual loss),从不同层面优化网络,增加生成图片的细节,并且更有利于其他计算机视觉任务。首先,逐像素损失能降低图片的失真度,但会使图片过于平滑,看起来不真实。因而我们采用对抗损失产生纹理等高频细节,并用语义损失来消除由对抗损失导致的不真实的纹理。我们在Celeb A数据集中测试了本文提出的模型方法,并与目前最先进的图像修复算法进行对比,本文的方法得到的结果具有更丰富的高频细节与更自然的纹理。