图像作为人类社会活动中常用的信息载体,被广泛应用于各种场景。充分利用高分辨率图像中的信息,可以帮助理解图像的内容,满足人们对不同场景任务的需求。但在实际生活中获取的图像往往分辨率较低,存在模糊问题。而图像超分辨率重建可以将单幅或多幅低分辨率图像通过一定方法恢复到高分辨率图像,虽然近年来关于图像超分辨率重建方法的研究取得了巨大进展,但重建的图像依然存在高频细节缺失、过于平滑等问题,并且缺少特定模块识别图像高频区域。因此本文针对上述问题进行研究,通过注意力机制(Attention Mechanism,AM)和生成对抗网络(Generative Adversarial Network,GAN)相关技术,提出改进的图像超分辨率重建模型。同现有的方法相比,本文做了以下几点改进:(1)在生成器网络中,引入空间和通道注意力机制,使网络学得更丰富的纹理信息。具体地,空间注意力模块识别图像高频细节位置并增强高频细节特征,通道注意力模块考虑通道之间的相互依赖性来自适应的重新调整特征,使得网络专注于更有用的通道并增强模型的辨别学习能力。此外使用残差密集块作为生成器网络基本构建模块,并在该模块中引入1?1的卷积层,有效的减少了网络模型参数,避免了过拟合和梯度消失问题。将双三次插值后的图像作为残差加到生成器生成结果中以完善图像的细节信息,得到最终的高分辨率图像。生成器网络可独立看做一种图像超分辨率重建模型,即本文的基于注意力机制的图像超分辨率方法。(2)在判别器网络中,使用经典的VGG网络结构,并使用相对判别器的损失函数替代原始GAN的损失函数,训练网络时,除最后一层外对生成器和判别网络的所有卷积层使用谱归一化处理,缓解了训练GAN时出现的模式坍塌问题,提升了训练GAN模型时的稳定性。本文方法在Set5、Set14、B100、Urban100和Manga109等通用数据集上进行测试。实验结果验证了本文的图像超分辨率重建方法可以有效地恢复图像的高频细节。