现如今,基于深度学习的计算机视觉任务随着深度学习技术的发展都得到大幅提升,转化为我们当今生活中触手可及的应用。图像超分辨率重建不同于人脸识别、物体检测等高层语义理解的问题,图像超分辨率重建研究的是图像的视觉呈现效果,是比较偏向底层的技术,也是计算机视觉领域的几个基础子问题之一,在监控视频人脸恢复、低清图片重建、视频重建等领域有许多实际的应用。图像超分重建的难点有以下几个方面。首先图像超分辨率重建网络的计算都比较大,占用显存较多,比较依赖于硬件设备,如何将超分算法做到性能又高又快是非常需要亟待解决的问题;第二点如何超分重建模糊的小图片,对于大的质量高的图片,图片本身细节就相对丰富,再超分放大得到的图片更加清晰,然而实际需要超分的图片,往往是带有各式各样的模糊,图片尺寸比较小,能够利用的信息也比较少,如何使超分算法成功超分这样的图片也是一个需要突破的难点。为了解决上述难点问题,本文主要做了以下几点贡献:·探究目前基于深度学习方法的图像重建,对比不同的卷积神经网络结构,设计了实时图像超分网络结构TLSR。·对于超分和去模糊问题,设计了多尺度金字塔网络结构,使用层级化的监督方式,使得网络可以同时重建出多个不同尺度的超分图片并且能够去除图片中的JPEG模糊带来的“振铃”伪影。·针对监控视频中的模糊人脸的重建,设计了一个端到端的基于对抗式生成网络用来重建小人脸的框架,使用了三种不同的残差模块,common、upsample和downsample。在设计优化目标函数时,除了一般GAN网络的对抗生成损失函数,还引入了像素值间距离损失函数。