图像超分辨率重建,是指将细节较少的低分辨图像恢复为具备更多纹理细节信息的高分辨图像的过程,是图像处理领域的一个重要研究方向。现有多数基于深度学习的超分辨算法,在重建过程中没有充分利用图像的全局特征,导致重建图像中容易出现某些局部细节不合理、层次感不强的现象。同时未考虑将图像的低频信息和高频信息分别处理,导致现有这些算法在应用到真实场景中时,得到的重建图像往往纹理细节不足,缺乏高频信息。针对这些问题,本文围绕深度学习领域中的生成对抗网络模型,提出两种新的适用于真实场景的超分辨重建算法。本文的主要工作如下:(1)本文提出了一种基于自注意力机制的生成对抗网络图像超分辨重建算法。该算法采用一个生成对抗网络学习由高分辨图像到低分辨图像的降质过程,得到用于训练超分辨的成对高分辨-低分辨图像。在超分辨过程中,该算法在模型的生成器网络和判别器网络中均加入了所提出的自注意力层,通过自注意力机制充分挖掘图像的全局特征,增强重建图像中各细节部分的合理性和图像的层次感。在训练过程中,该算法引入基于特征对比的上下文损失,使得重建图像各局部纹理清晰,更接近真实高分辨图像。实验结果表明,该算法所得重建图像纹理细节信息丰富,视觉效果更好。(2)本文提出了一种基于图像平稳小波域的生成对抗网络图像超分辨重建算法。该算法同样采用一个生成对抗网络学习低分辨图像的降质过程,得到成对图像。在超分辨过程中,该算法将通过二维平稳小波变换得到的图像低频分量和高频分量分别处理。对于低频分量,该算法设计了一个由残差块组成的低频增强网络对其重建,以得到内容准确的低频重建结果;对于高频分量,该算法设计了一个高频生成对抗网络对其超分辨,其中生成器网络主要由稠密连接块组成,为高频重建结果提供更充足的多尺度细节信息。此外,该算法还采用了图像域和小波域相结合的损失函数共同引导生成对抗网络的训练。多组仿真实验结果表明,该算法有效提升了重建图像的高频信息,且纹理细节丰富,各项指标更优。