基于深度学习的单图像超分辨率重建方法已经比较完善,重建图像具有较高的客观评价值或具有较好的视觉效果,例如ESRGAN能够还原出符合人眼视觉效果的图像,但是重建过程中虚构出部分高频信息,使得客观评价指标较低。ESPCN重建图像使用亚像素卷积层对高分辨率信息进行恢复,更符合峰值信噪比和结构相似性的评价,具有较高的客观评价指标值,但是高频信息和低频信息的区分度、融合处理不够合理,整体细节较为模糊,视觉感官不好。因此均衡提升图像感知效果和客观评价值,是目前急需解决的问题。针对这一问题,提出了一种融合注意力的生成对抗网络单图像超分辨率重建方法。首先去掉残差网络中会破坏图像原本的对比度信息、影响图像生成质量的归一化层,使用自适应归一化方法进行替代,自动为神经网络的每个归一化层确定一个合适的归一化操作。相较于普通的归一化层,有较好的鲁棒性、通用性和多样性。其次是构造注意力卷积神经网络残差块,使用通道注意力和空间注意力相结合提升对高频信息的重建,可有效的在特征映射中进行自适应特征细化,改善重建结果在大尺度因子下缺乏高频信息和纹理细节的问题,最后构造像素损失函数使用鲁棒性较好的Charbonnier损失函数替代均方差损失函数,其内包含正则项,能够更好的更加稳定的进行预测。最后用TV正则项平滑训练结果。实验结果表明,在4倍放大因子下,相比较其他方法在Set5、Set14、Urban100、BSDS100测试集上进行测试,峰值信噪比平均值最高提升3.55d B,结构相似性均值最高提升0.16,实验数据和效果图表明该方法主观上具有丰富的细节,客观上具有较高的峰值信噪比值和结构相似性值,实现视觉效果和客观评价指标值的均衡提升。该论文有图36幅,表4个,参考文献54篇。