单幅图像超分辨率重建（SISR）是一个经典的计算机视觉任务。单幅图像超分辨率重建主要目的是对输入的单幅的低分辨率图像进行空间分辨率的放大,使其成为高分辨率图像的技术。由于一张低分辨率图像可以由多张不同的高分辨率图像下采样而来所以使得超分辨率重建是一个病态问题。并且下采样的倍率越大,使得缺失的信息越多使得重建任务就会越为困难。近年来,使用卷积神经网络进行单幅图像超分辨率的结果远好于使用传统方法的重建结果。但卷积神经网络在面对较大的放大倍率进行图像重建时会使得重建图像过于平滑而缺乏纹理与细节,从而使得人眼感觉重建的图像不够真实。通过使用生成对抗网络（GAN）能够有效的改善重建图像在较大倍率下缺乏纹理的问题,从而改善图像的视觉感受。超分辨率重建生成对抗网络（SRGAN）通过使用生成对抗网络与感知损失改善了基于卷积神经网络模型在较大倍率下的重建图像缺乏纹理而过于平滑的问题,但是SRGAN的重建图像会产生大量的伪影与噪声。较多的噪声与伪影不仅会降低重建图像与原始图像的一致性也会影响图像的视觉感受。本文拟在超分辨率重建生成对抗网络的基础上降低其重建图像的伪影与噪声,同时提升重建图像与原始图像的相似性。贡献如下:1.本文提出了具有独立高频判别器的双判别器超分辨率重建生成对抗网络（HFD-SRGAN）。为了改善基于SRGAN框架的SISR细节重建和定位的准确性和效率,本文在SRGAN的基础上通过实验发现重建图像的伪影与噪声往往在图像的高频分量上有较为显著的响应,通过直接约束图像的高频分量的分布能够更准确且有效的降低中间图像的噪声与伪影。从而提出了一种直接约束高频信息的低计算复杂度通用GAN——双判别器生成对抗网络。我们将离散小波变换提取的图像的高频分量引入生成对抗网络（GAN）,并为这些高频分量构造一个额外的判别器。此外,为了保证重建图像在不同尺度下都与原始图像保持一致,我们提出了通过对重建图像进行与原始图像相同的重采样过程而获得的新的低分辨率图像,使用该图像与输入的低分辨率图像进行比较的退化损失函数。新方法在与SRGAN使用相同的生成器网络时,全面改进了SRGAN重建的视觉效果,达到了与目前最先进技术相当的水平。2.本文提出了利用重建图像与插值图像进行排序的排序网络（SelfRank SRGAN）。首先输入的低分辨率图像经由生成器进行重建获得重建的高分辨率图像。随后利用重建图像与原始图像来对判别器,生成器与排序网络（Ranker）进行交替训练。判别器与生成器的训练与常规的生成对抗网络无异。Ranker在进行训练时,其输入图像是重建图像与原始图像的插值图像。Ranker通过对这些插值图像按照与原始图像的差异进行排序而无需任何的图像质量评定指标。在模型训练中,我们还提出了图像块距离损失（Patch Distance Loss,PDL）,通过将图像切割为块并计算这些块两两之间的余弦相似度用以约束重建图像,实验证明PDL能显著提高重建图像与原始图像之间的相似性。通过公开数据集的实验和对比分析,本文提出的Self-Rank SRGAN与现有主流模型相比,不仅能够有效地降低重建图像的伪影与噪声,而且能够有效提升重建图像与原始图像之间的峰值信噪比。