当下,图像是获取信息的重要手段,在许多行业都发挥着重要的作用。例如:刑侦通过图像发现线索;遥感通过图像识别目标物体,做出下一步操作;医生通过医疗影像诊断病患病情等等。图像分辨率的高低代表了图像储存信息量的多少,然而现实生活中,由于受到不当传输、设备落后、环境限制等因素的影响,导致大量图像质量不高,细节信息不完善,难以为我们提供有价值的信息。因此,当前首要任务是改善图像生成的质量,确保生成的图像能够满足实际运用所需。为了解决获取的图像出现不清晰,大量信息丢失,缺少关键细节纹理等问题,本文通过对现有技术手段的学习和实验,对比了不同方法对图像重建的效果,通过结合SRGAN、残差网络、密集连接、空洞卷积等算法模型重构了基于生成对抗网络的超分辨率图像重建模型,最后搭建了图像超分辨率重建系统,为用户提供可视化、可操作的图形图像处理系统。本文的主要贡献如下:(1)总结概括了基于残差密集网络的超分辨率重建算法模型的优越性能,深入分析该模型的局限性,包括较低的可信度、斑驳的边缘和缺失的图像细节等,提出了改进的生成对抗网络超分辨率图像重建模型。该方法在生成器模型中使用了空洞残差密集连接网络构建生成器模型用于图像生成,形成物体的轮廓边界与纹理特点,限制非自然纹理细节的产生,从而突出图像的细节特征,不但实现了模型的简易化,而且有效保证了图像重建的质量。(2)由于卷积神经网络使用池化和下采样获取更抽象的特征的同时,也会伴随着feature map空间分辨率的下降,从而导致丢失敏感细节。本文构建了带有空洞卷积的生成器模型中,去掉了原有的池化层,并把残差密集连接网络引入到空洞卷积块中,在保持参数量不增加、每个阶段卷积的感受野不变的情况下,提高模型的整体性能。(3)在GAN的训练中采用vgg19深度卷积网络,用于感知损失中的深度特征提取,得到更加复杂的图像细节信息。对抗损失是基于相对平均判别器进行设计,将真实样本信息引入到生成器中,而不仅仅是让判别器孤立训练,使判别器不再判别输入图像是否为真实图像的概率,而是要估计出输入的真实数据比假数据更真实的概率,考虑真假图像的损失,更有利于生成高质量的图像。(4)设计并实现了一个基于生成对抗网络的超分辨率图像重建系统。该系统依托于网页构建,包括多模块功能内容,如后台训练、超分辨率图像生成、图像传输等,能够对外提供更为专业化的模型训练和参数微调等服务。本文使用Set5、Set14、BSD100三个公开数据集进行测试实验,实验结果证明了本文改进后的生成对抗网络方法能够有效提高图像重建的质量,在算法结构上也提高了模型训练的稳定性。与SRGAN算法相比,在放大4倍的情况下,改进的模型在Set5、Set14、BSD100数据集上的PSNR和SSIM指标均有所提升,充分证明了该方法重建的图像细节更加清晰有效。