蒋文杰，罗晓曙，戴沁璇

广西师范大学 电子工程学院，广西 桂林541004

在实际的视频监控中，受到摄像机分辨率、物体运动、目标人物与摄像机的距离等条件的影响，采集得到的人脸图像比较模糊、分辨率低、难以进行有效识别。为了解决这一问题，诞生了图像超分辨率重建。它是一种提高图像分辨率的技术[1]，能够实现图像由低分辨率向高分辨率的转化。Harris等人[2]在20世纪60年代最早提出图像超分辨率重建，现有的传统图像分辨率重建算法主要分为插值法[3]、学习法[4]和重建法[5]。但这些方法在重建时会产生过度平滑和锐化的问题，另外重建效果波动比较大，只适用于特定场所，具有较大的局限性，难以进行推广使用。

近年来卷积神经网络在计算机视觉领域展现出了巨大的优越性。Dong等[6]提出了超分辨率卷积神经网络（Super-Resolution Convolutional Neural Network，SRCNN），首次将卷积神经网络应用于图像超分辨率重建，该算法在性能和效果方面均超过了传统方法，极大提升了重建图像的视觉效果和量化指标。Dong等[7]在SRCNN基础上改进并提出了快速超分辨率卷积神经网络（Fast Super-Resolution Convolutional Neural Networks，FSRCNN），该算法在提升重建效果的同时也加快了重建速度。Ledig等[8]提出了基于生成对抗网络架构的超分辨率图像重建方法（Super-Resolution Generative Adversarial Network，SRGAN），进一步提升重建图像的视觉效果。由于SRGAN在训练时存在梯度消失和训练不稳定的问题，本文提出了一种改进SRGAN的人脸图像超分辨率重建方法，主要改进工作如下：

（1）在SRGAN基础上结合WGAN并引入Wasserstein散度，去掉了Lipschitz约束，直接得到Wassertein距离。

（2）对生成网络目标函数进行优化，具体的措施是通过最小化Wassertein距离得到生成网络的目标函数。……