随着科技和社会的不断发展,人们对高比特图像的需求日益增长。然而,高比特图像的存储和传输需要消耗更多的存储资源和信道带宽。为减小资源的消耗,通常在图像传输系统的发送端对高比特图像进行低比特量化,然后在系统接收端利用高比特图像生成技术对低比特图像进行比特深度重建。得益于深度学习技术的快速发展,如今在高比特图像生成技术领域,基于神经网络的高比特图像生成算法相比传统算法在性能指标和视觉观感方面拥有较大的优势。以往的高比特图像生成网络计算量大、故通常运行在PC端的GPU上,这严重制约了高比特图像生成技术的应用场景和发展潜力。因此,研究基于深度学习的高比特图像生成技术及FPGA实现具有重要意义。本文对高比特图像生成技术进行了以下两个方面的研究。算法研究方面:本文分析了主流的轻量级神经网络。采用MobileNet V2网络的基本结构和更适合硬件实现的残差连接方式搭建了图像重建基础网络。为改善低比特图像平滑区域的伪轮廓现象、增强高频部分的图像细节,设计了基于梯度滤波的可折叠网络模型。将加法卷积运算引入到网络中,结合网络各模块的运算量以及加法卷积的运算特点,采用加法卷积替换网络中的逐点卷积层,从而实现网络乘法运算量的大幅减少,得到了用于高比特图像生成的轻量级网络。最后对网络进行了消融实验分析,验证了以上改进点的有效性和必要性。与其它算法的实验结果对比表明,本算法在网络运算量大幅度降低的条件下,其性能指标与当前主流算法的性能指标相当。硬件实现方面:基于FPGA平台的硬件资源规模、网络的参数分布特点和卷积运算量,分析并设计了参数定点量化、参数存储和网络并行计算方案。构建了FPGA系统的整体框架及数据处理流程,完成了各个子模块的设计与实现工作。基于网络的残差输出特点,在性能损失不大的前提下,设计了更适合于FPGA高效实现的激活函数。完成了基于FPGA的高比特图像生成任务,网络推理速度相比PC平台提高了 4倍。