单张图超分辨率重建,是指直接从单张低分辨率图像中重建出高分辨率图像。目前,许多超分辨率重建方法重建的图像,都容易在图像纹理丰富的地方出现模糊、伪影的现象,尤其在大倍数的超分辨率重建中,这种问题更加明显。这是由于目前大部分重建方法都未对低分辨率图像的特征加以区分,导致无法更好地重建图像的细节部分。为了提升重建图像的质量,本文基于深度学习,结合注意力机制,对超分辨率重建相关方法进行研究,内容包括:(1)本文详细介绍了目前超分辨率重建方法的优缺点,并对超分辨率重建网络常用的损失函数进行分析验证。实验证明,L1范数相较于其他的损失函数,能够有效减少图像平滑区域的重建伪影,而且实现复杂度低。因此,选择L1范数作为本文重建网络的损失函数。(2)为了更好地利用图像中的高频信息,本文提出一种残差注意力机制,并且以堆叠的方式引入主干网络,能够在不削弱主干网络提取特征能力的同时,帮助加强网络对高频特征的提取,提升网络的重建效果。实验表明,本文提出的注意力机制能够有效定位图像的高频特征位置,减少重建图像模糊、伪影的现象。(3)在参数适中的情况下,为了提升图像大倍数重建能力,本文结合投影单元和注意力机制,提出了基于注意力机制的反向投影网络。本文在投影单元引入了低分辨率特征提取模块,提升了网络前向重建提取图像特征的能力;为了减少网络参数量和资源消耗,本文提出了一种简单的深度卷积注意力机制模块,帮助网络定位图像高频特征的空间位置;为了进一步减少网络资源消耗,本文采用残差连接方式代替投影单元间常用的密集连接。实验证明,在投影单元串联数目适中的情况下,采用残差连接可以以较低的网络资源消耗获得密集连接网络的重建效果;本文提出基于注意力机制的反向投影网络(RBPANet),在网络深度适中的情况下,不仅在大倍数重建上表现出良好的重建效果,还展示出良好的去噪能力。