计算机视觉作为当前人工智能研究的三大领域之一而受到广泛的关注。图像超分辨率重建作为一种底层计算机视觉任务,成为计算机视觉领域的研究热点问题之一。本文针对单幅图像超分辨率增强问题,主要完成了如下几个方面的工作:首先,为了减少深度神经网络中模型参数巨大,消耗大量计算资源问题,提出一种基于改进GAN的轻量级图像超分辨算法。在神经网络模型中应用一种通用的残差特征聚合框架,充分利用各层之间的残差信息,提高网络特征重建的能力,并设计了一种反馈结构与残差特征聚合框架充分结合,有效减少了网络的参数量,同时为了更准确的衡量图像质量,对损失函数进行了优化。数值实验结果表明:所提算法能够在保证模型性能的情况下减少模型所用参数,降低能耗,具有更强的鲁棒性和更优的重建图像质量。其次,为了得到更高性能的强大网络模型,提出一种自适应激活-降质约束的通道注意力图像超分辨算法。在神经网络模型中引入了注意力机制,帮助网络将图像重建焦点聚焦于高频纹理区域,指导网络重建更加精细的图像;使用降质网络学习图像退化过程并对低分辨率图像进行约束,有效减少重建函数解空间,指导网络重建更加接近真实的图像;另外,使用一种新的Meta-ACON激活函数进一步提高模型的自适应和泛化能力。实验结果表明:所提算法能够获得更优的重建效果及图像质量评价指标。综上所述,针对单幅图像超分辨率增强问题,本文所提的两种算法与主流算法相比,具有更高的超分辨率重建质量,验证了所提算法的可行性,为实际应用提供了有力支撑。