如今,图像与人们的生活息息相关。图像已经成为人们记录信息的主要工具之一。高质量的图像能够记载丰富的信息,而图像的分辨率则直接影响图像的质量,高分辨率的图像能够方便人们更加精准地记录和提取信息。如何让成像设备获得高分辨率的图片,是当今面临的一大挑战,需要硬件和软件的共同协作才能达到最好的效果,超分辨率重建就是通过软件的方式来提高图像的分辨率。在深度学习极速发展的今天,基于深度学习的图像超分辨率重建也在迅速发展与演变。图像超分辨率重建指通过算法从低分辨率图像中生成高分辨率图像,并尽可能地恢复出清晰的纹理和细节。深度学习方法也广泛应用于图像超分辨率重建中,在重建效果上取得显著成效,但是在真实图像与重建图像之间仍然存在很大差异。一些减少图像失真的算法使得重建图像过于平滑,缺少高频细节,不符合人的视觉感知。因此一些致力于提高图像感知的算法被提出,这些算法能够恢复出纹理更加清晰的图像。基于生成对抗网络的算法能够显著提高重建图像的感知质量,ESRGAN就是以提高图像感知质量为目的的算法,但是这类算法重建图像质量较低,存在大量噪声伪影,与原始图像并不相符,本文针对这类问题在ESRGAN的基础上提出改进:首先,为了充分利用原始低分辨率图片,不仅要缩小重建图像和真实图像之间的深层特征的差距,还要缩小图像之间浅层特征的差距,对此本文提出在生成器和判决器中分别加入浅层生成器和浅层判决器,以得到更接近原始真实图像的图片。其次,考虑到特征图之间的相关性,本文同时在生成器和判决器上引入二阶通道注意力机制和空间注意力机制,使得网络关注特征图中信息汇集的地方,提高网络的表达能力和判决能力,从而更加精准地约束生成器生成的图片。另外,本文在用于计算感知损失的特征提取层中引入协方差标准化,使得感知损失能够从高阶的统计特征层面提高重建图片的感知质量。最后,本文提高了图像的视觉感知的同时,兼顾了图像的质量,使得生成重建图像更加符合人的视觉感知。本文提出的算法与当前普遍的提高图像感知的算法进行比较时,重建图像在感知质量与图像失真上都具有一定的优势,表明本文所提出算法的有效性。