随着人们对视觉消费的需求提升,图像超分辨率重建技术成为近年来计算机视觉领域中的研究热点。超分辨率是一种通过软件算法将低分辨率图像转换为高分辨率图像的技术,超分以后的高分辨率图像相比较低分辨率图像,图像细节信息更加丰富,纹理更加清晰。超分辨率已经广泛应用于日常生活的多个行业:视频监控,医疗图像,遥感成像,电子消费等领域。图像超分辨率重建领域的优秀算法众多,大致可分为三类:基于插值的方法、基于重建的方法和基于学习的方法。近年来使用最广泛的是基于深度学习的超分辨率重建方法。传统卷积网络堆叠的图像超分深度网络模型,由于没有残差网络,容易导致梯度爆炸,并且训练参数过多,比较耗时,所以最新的深度超分模型基本都采用残差形式;纯端到端的超分深层网络模型只是靠外部大量数据集获取图像的先验信息,对数据集的依赖性较大,没有遵循图像退化模型,并且可解释性较差,而基于重建的图像超分辨率方法需要手工设计图像先验,可靠性有待实践检验。针对以上目前存在的图像超分辨率重建的问题,提出的创新点如下:1.充分利用增强版图像超分辨率生成式对抗网络(ESRGAN)当中生成网络的残差密集模块RRDB的强大的拟合能力,以及DIV2K数据集的海量图像数据,通过训练自动获取图像的一种深度先验信息,并且利用注意力机制进一步加强获取图像中间层特征映射的能力。2.结合深度学习和变分思想将深层神经网络的推理结合到优化问题求解的迭代过程中,这一创新使得图像超分辨率重建过程的可解释性得到体现,并且由于优化公式当中数据保真项的存在,可以约束重建出的图像与原始图像的差异。提出的算法由于引入了生成式对抗网络和注意力机制的思想,能够更深层次地提高重建的图像效果;由于使用了ESRGAN框架的RRDB残差网络,以及注意力模块,能够更加有效提取图像特征,所以超分重建出的图像从视觉上也更加接近真实的效果。