单幅图像超分辨是一项基础的计算机视觉任务,旨在给定低分辨率图像的情况下恢复重建其对应的高分辨率图像。相比于低分辨率图像,高分辨率图像包含更多丰富且真实的细节信息,不仅有利于对图像的理解,而且对于计算机视觉中的其他任务也有很大的帮助,例如目标检测、目标跟踪等,因而图像超分辨技术成为计算机视觉领域研究的一大热点。随着深度卷积神经网络在计算机视觉领域的成功应用,研究人员提出了一系列基于深度卷积神经网络的图像超分辨算法,使得重建图像效果得到了有效的提升。现有的图像超分辨算法对图像退化过程进行理想化数学建模,并借助建模好的退化过程得到低分辨率图像,然后利用成对的高低分辨率图像对网络进行有监督的训练。然而,这些算法不适合处理现实生活中的图像超分辨问题,一方面现实生活中图像退化过程并不是一个理想化过程,在图像空间分辨率降低的同时会伴随着模糊以及噪声等其他复杂退化因素,另一方面在现实生活中很难获得成对的高低分辨率图像,因此无法对网络采用有监督的方式进行训练。基于以上考虑,本文致力于解决现实生活中的图像超分辨问题。本文的主要研究工作可以概括为以下两个方面:(1)本文提出了一种基于特征引导型生成对抗网络的图像超分辨算法,与现有的图像超分辨算法不同,一方面本文提出的算法不需要利用成对的低分辨率图像和对应高分辨率图像对网络进行有监督训练,另一方面也不需要对图像退化过程进行理想化数学建模。为了实现低分辨率图像与高分辨率图像之间的一对一映射,本文利用引导模块对图像超分辨结果进行引导,同时为了避免引导模块对超分辨结果产生决定性影响,本文将引导模块的结果作为反例进行网络训练,有效的提升了超分辨结果的图像质量。(2)本文提出了一种基于CycleGAN的图像超分辨算法,该算法没有基于理想化图像退化模型,算法的网络结构不仅包括超分辨网络,同时也包含降质网络。超分辨网络通过对抗学习的方式可以得到低分辨率图像到高分辨率图像的映射关系,同时降质网络通过对抗学习的方式可以模拟现实生活中图像退化过程,相比于现有的超分辨算法,本文提出的算法不仅考虑到了下采样因素,同时考虑到了噪声、模糊等退化因素。为了实现低分辨率图像与高分辨率图像之间的一对一映射,本文利用循环一致性损失对整体网络进行了约束。值得一提的是,本文提出的算法采用无监督的训练方式,不需要成对的训练数据。基于现实生活中低分辨率人脸图像的超分辨实验证明,本文提出的上述两种算法可以有效的解决现实生活中的图像超分辨问题。同时,与现有的超分辨模型对比结果显示,在解决现实生活中的图像超分辨问题时,本文提出的上述两种算法取得了较大的性能提升。