低分辨率图像转化为高分辨率图像的过程称为图像超分辨率生成,是近年来图像领域的研究热点。图像的超分辨生成在图像传输、航空遥感、医疗分析、视频监控等领域有着重要的需求与作用。如何提升图像的生成质量和生成速度,以达到实际应用的水平是亟待解决的问题。本文对基于对抗生成网络的超分辨率算法进行了改进,提升了图像生成质量,压缩了模型以减少运行时间,并应用超分辨率生成技术完成了图像增强系统的设计与实现。本文的主要工作如下:(1)针对基于对抗生成网络的超分辨算法存在图像细节混乱,可信度低的问题,提出了基于边缘检测的损失函数和DenseNet生成器模型的改进方案。该方案使用边缘检测形成物体的轮廓边界与纹理特点,限制非自然纹理细节的产生;在生成器中使用DenseNet网络模型,增加图像特征的复用,降低模型复杂度的同时提升了图像的生成质量。经过在SET5、SET14与BSD100数据集上进行实验,与SRGAN算法对比,该方案所生成的图像细节更加清晰有效,PSNR与SSIM指标提升了3.9%与3.5%,生成器模型的参数量降低了90%。(2)针对基于对抗生成网络的超分辨算法生成图像实时性差的问题,提出了一种新的模型压缩方式,即迭代式对抗生成网络压缩模型。该模型通过改变对抗生成网络的输入结构,迭代地简化网络模型,缩小网络运行耗时。实验表明,通过手写数据集进行实验验证,使用超分辨率生成模型压缩的运行速度比使用前提升了 17倍。(3)设计并实现了一个基于对抗生成网络的超分辨图像增强系统。该系统搭建图文网站平台,实现了图像压缩传输、客户端超分辨生成、后台在线训练等模块。为网站的图像传输减少了 75%的带宽消耗,为专业数据的图像超分辨率生成提供模型训练与微调服务。