超分辨率是基于已有的低分辨率图片通过软件或硬件的放法获得对应的高分辨率的技术。现如今,给定一组低分辨率观察的图像,尝试以高分辨率重建原始场景是图像领域的研究热点。图像超分辨率技术应用广泛,目前广泛应用于视频压缩与恢复,医疗影像图像质量提升辅助诊断,视频监控与安防领域。提升图像超分辨率技术的图像恢复能力,尤其是优化神经网络的结构,在提升效果的同时减少其计算资源的消耗使得其能够达到实际使用的程度就显得尤为重要。本文立足于生成对抗神经网络技术,在现有研究的基础上将生成对抗神经网络进行优化,提升其超分辨率能力,尤其是利用生成对抗神经网络具有更优秀的恢复图像能力细节的特点,提升了图像生成的纹理质量,与此同时修改神经网络结构,优化损失函数。本文也以该算法为核心,设计完成了基于生成对抗网络的可视化图像增强系统。本文的主要工作如下:1.研究和分析传统的图像分辨率提升方法,发现传统方法存在恢复图像纹理细节丢失和恢复图像纹理细节丰富处的纹理变化平滑的问题,提出基于改进的生成对抗神经网络的图像超分辨率方案,该方案在生成器采用改进的残差网络,在结构相似性和峰值信噪比等指标上比SRGAN更加优秀,且得到的图片纹理细节更加清晰,变化更加丰富。2.通过优化复杂的神经网络结构,去除批归一化层,加入双三次插值信息补偿层,修改神经网络结构和损失函数,有效地提升了模型的超分辨率能力,模型对于常见的图片尺寸进行四倍分辨率增强的处理时间压缩到了秒级。3.基于图像超分辨率优化算法模型,设计实现了一个可视化图像超分辨率增强系统,在前端web界面输入图片,通过网络上传到在线服务器,服务器传回超分辨增强后的图片。系统节省了计算资源消耗,使得更多的计算集中于服务器,极大的提高了算法模型的可用性;