注意力和生成对抗网络融合的图像超分辨率重建

张桐，王华军，文良华，李庆，陈劲松

（1.宜宾学院 智能制造学部，四川宜宾 644000；2.成都理工大学 地球物理学院，四川成都 610059）

图像分辨率是评价图像质量的重要指标，要提高图像分辨率，物理方法是提高单位面积内感光靶片的容量，增加单位面积内像素的数量，但是会造成光学成像设备的成本大幅增加，从而限制了应用领域[1,2]．超分辨率技术采用软件算法使低分辨率图像获得高分辨率，是计算机视觉的热点研究方向，在遥感、医学和灾害应急管理等领域得到广泛应用．

超分辨率技术分为三种类型，分别是基于插值[3-4]、基于重建[5-9]和基于学习[10-15]．基于插值和基于重建的算法数学模型单一，造成重建图像质量不高．基于学习的算法通过对样本数据集的学习，建立高分辨率和低分辨率图像对之间的端到端映射关系，然后对输入的低分辨率图像进行重构．由于深度学习技术的迅速发展，基于学习的算法已成为超分辨率技术的研究重点．

生成对抗网络是深度学习技术的重要分支．DONG[16]首次将深度学习的方法应用于图像超分辨率，提出了一种基于卷积神经网络的SRCNN 模型，主要分为图像特征表示、特征非线性映射和图像重建三个模块；但将图像划分成小区域图像块进行训练，导致收敛速度太慢．Goodfellow[17]提出了一种生成对抗网络，该网络结构主要由一个生成器和一个判别器构成，低分辨率图像输入生成器生成高分辨率图像，判别器判断生成器生成的图像是真实图像还是假图像；……