图像超分辨率技术是通过硬件或软件的方法,将同一场景的一幅或多幅连续低分辨率图像复原为高分辨率图像的过程。高分辨率图像意味着拥有更高密度的像素值,可以产生更多的像素信息和高频细节。在实际应用中,这些细节往往起着关键性作用,在医学、生物、遥感、安防、影视等诸多领域都有着日益增长的需求。近年来随着人工智能的发展,基于深度学习的图像超分辨率突破了传统算法的瓶颈,取得了更好的复原效果。但是现有模型对图像的有效特征提取不足,没有充分利用图像上下文信息来重建纹理细节,并且大多模型参数众多、计算量大,重建图像的视觉效果不佳。针对现有模型中存在的问题与不足,本文从图像质量客观评估和视觉感知评估两个角度,分别提出基于卷积神经网络的模型和基于生成对抗网络的模型,主要贡献如下:·针对图像深层特征表示困难的问题,本文提出基于深度残差密集网络和注意力机制的图像超分辨率模型。通过移除ResNet中的BN模块,将全局和局部残差学习引入到底层视觉超分辨率问题上,加入密集连接块结构,实现不同层次特征的融合。利用残差学习和密集连接,有效加深了网络的深度,提高了模块集成的性能。进一步地,为了聚焦图像中的有效特征信息,根据特征通道之间的相互依赖性,使用多头通道注意力机制,使模型能够充分提取图像的有效特征信息,提升网络整体性能。通过进行大量模块探究实验,验证了提出的残差密集结构和多头注意力模块有助于模型性能的提升。通过在多个测试集不同倍数上的对比实验表明,本文模型的PSNR和SSIM指标均高于其他模型,在定性分析上同样具有更佳的图像复原效果,证明了其有效性和准确性。·针对模型过重、视觉感知效果不佳的问题,本文提出基于相对生成对抗网络和异构卷积的图像超分辨率模型。在有限的计算和存储资源下,构建更加轻量的基础模块尤为重要,因此使用更为高效的异构卷积替代普通卷积,在不损失模型性能的前提下减少模型参数,并且通过构建有效残差块来提升模型性能。进一步地,使用相对生成对抗网络来进行对抗训练,设计更符合超分辨率任务的视觉感知损失函数,从而使该任务在视觉感知上获得更优秀的结果。通过内部模块探究实验分析,验证了有效残差块和异构卷积拥有更少参数且性能更佳,使用相对生成对抗网络更利于图像细节的生成。通过在多个测试集上的模型对比实验表明,本文模型在视觉感知方面更接近人眼感知,相比其他现有的先进模型,具有更好的图像复原效果。