黄力

（福州职业技术学院信息技术工程系 福建省福州市 350108）

1 引言

随着图像处理与计算机视觉研究的深入，图像超分辨率重建逐渐成为了研究重点和难点[1]。该问题的任务就是采用机器学习方法，从单幅或多幅低分辨率图像中重建出高分辨率图像。深度学习的崛起使得图像超分辨率重建出现了更多的解决方法。在卷积神经网络上构建的超分辨率重建方法(SRCNN)[2]，通过多层神经网络映射低分辨率和高分辨率图像之间的联系，重建出的图像比传统方法性能更好。在此基础上，由于3 层卷积神经网络结构简单，无法构建深层特征，快速的SRCNN 方法[3]则通过8 层卷积神经网络提升SRCNN 的性能，通过深度神经网络的反卷积过程，代替传统的插值方法完成上采样过程，极大的提升了超分辨率重建的效率。深度递归神经网络通过递归的方式大量减少网络参数，提升超分辨率重建效果的同时也能够极大的改善训练效率[4]。

如今，生成式对抗网络已经成为了神经网络的又一个研究热点[5]，基于生成式对抗网络的图像超分辨率重建带来了更好的结果，更清晰的边缘与纹理，获得了更佳的图像超分辨率重建性能。首先使用改进的带Wasserstein 距离和梯度惩罚的生成式对抗网络模型(WGAN-GP)，并在该模型基础上建立深度特征均方误差，用于图像超分辨率重建工作。通过这些改进的过程，解决训练生成式对抗网络的梯度消失问题。在判别器误差上引入了基于深度模型特征图的均方误差，用于提升重建后图像的边缘与纹理强度，从而获得更好的重建效果。……