图像超分辨率重建在国防军事、医疗影像、人脸识别等领域具有广泛的应用,是近年来计算机视觉领域的研究热点之一。图像超分辨率重建是指由单张或者多张低分辨率的图像转换为高分辨率图像的过程。如何提高重建图像的分辨率,是目前迫切需要解决的问题。针对以上问题,本文将生成对抗网络(Generative Adversarial Networks,GAN)运用到图像超分辨率重建的任务中,提出了两种优化改进算法。实验结果证明,本文提出的两种算法在客观和主观评价指标中均优于其他具有代表性的模型算法。本文首先介绍了图像超分辨率重建技术的研究现状以及生成对抗网络的相关理论,然后提出了基于生成对抗网络的超分辨率重建算法以及在图像重建任务中的应用。本文的主要研究内容:(1)激活单元自适应的生成对抗网络算法针对生成对抗网络中出现的模式崩溃现象,本文设计了激活单元自适应的生成对抗网络算法。激活函数对网络参数作非线性变换,可以增强网络参数的多样性。但是,大多数的激活函数在网络参数负方向的梯度值设置为零或固定值,这将导致负方向网络参数被舍弃,其所携带的大量信息被丢弃。参数信息的丢失,将导致网络无法从训练中得到更多的有效信息,重建图像只能复原部分原始数据。而激活单元自适应的生成对抗网络算法在处理负数参数时使用Parametric Rectified Linear Unit(PRe LU)激活函数,其携带有自适应因子,在负参数方向具有连续持久的梯度值,因此为网络训练保留了大量有效信息。实验证明,激活单元自适应的生成对抗网络算法在图像重建方面具有较好的表现,在客观和主观的评判指标上均优于其他对比模型算法。(2)三链式生成对抗网络算法本文针对生成对抗网络中容易出现的生成器网络与判别器网络学习速率不匹配的问题,从而导致模式坍塌的现象,设计了三链式生成对抗网络算法。当生成器网络与判别器网络的学习速率不匹配时,生成器无法从网络训练中学习到有效的信息,甚至会导致网络学习的中断,从而出现模式坍塌的严重现象。本算法采用生成器-判别器-生成器三链式网络组织结构对模型进行训练,算法在原有Wasserstein Generative Adversarial Networks(WGAN)模型的基础上,对网络架构重新设计,本算法中包含两个生成器网络。在训练过程中,1号生成器与2号生成器将各自的参数分布相互共享,生成器网络参数实现了多样化,使得生成器网络具备更高的重建能力。模型重建后的图像数据具有更加丰富的内容信息,图像纹理更加清晰。实验结果证明,本算法在客观与主观评价标准上均优于其他具有代表性的模型。