基于GAN的图像超分辨率方法研究王旺徐俊武摘要：图像超分辨率是一种采用软件算法提高图像空间分辨率的技术，由于传统超分辨率方法超清程度有限，基于深度学习的图像超分辨率方法成为研究者们近年来的研究重点。基于生成对抗网络（GAN）的图像超分辨率方法，在其网络模型结构基础上增加批处理归一化（BN）层以提升网络收敛速度、加强网络训练稳定性，更改上采样层网络并对损失函数作相应修改。在网络训练过程中，选择当前比较通用的Adam优化器。实验结果表明，该方法具有很好的超分辨率图像重建能力，且在训练过程中训练稳定性得到提升，收敛速度也有所加快。关键词：超分辨率;生成对抗网络;深度学习;图像重建DOI：10.11907/rjdk.182450：TP317.4：A：1672-7800（2019）006-0181-03Abstract：Imagesuper-resolutionisatechnologythatusessoftwarealgorithmstoimprovethespatialresolutionofimages.Thetraditionalsuper-resolutionmethodscannotavoidthelimitationofblurorsuper-resolution.Imagesuper-resolutionmethodbasedondeeplearninghasbecomethefocusofresearchers.Generativeadversarialnetworks（GAN）arethehottestdeepneuralnetworksinrecentyears.ThispaperexploresthemethodbasedonGAN.Thesuper-resolutionmethodwhichincreasestheuserangeofbatchnormalizationandmodifiestheup-samplingmethod，alsomodifiesandoptimizesthelossfunctionanditsoptimizerselection，optimizesthetraininginstabilityoftheimagesuper-resolutionmethodbasedonGANandgreatlyenhancesthestability.Theoptimizedmethodisstillverygood.Excellentimagesandsuperresolutioncapabilityverifiedthefeaturesinanexperimentalway.KeyWords：super-resolution;generativeadversarialnetwork;deeplearning;imagereconstruction0引言圖像超分辨率（SuperResolution，SR）是将低分辨率（LowResolution，LR）图像通过一定算法提升到高分辨率（HighResolution，HR）[1]的技术。图像超分辨率技术可应用于许多重要领域，例如：卫星图像要求为高分辨图像，以便地面中心能更好地识别出相关信息;某些检测识别控制装置也需要分辨率较高的图像，以保证分类精确度;在医学领域，高分辨率图像是重要的疾病判断依据[2]。图像超分辨重建技术于20世纪60年代由Harris[3]首次提出，传统图像超分辨率方法有基于插值的方法、基于重建的方法与基于学习的方法[4]。其中基于插值的方法具有最简单的计算过程与最低计算复杂度，经典方法包括最近邻插值[5]、双线性插值[6]和双三次插值[7];基于重建的方法也称为基于模型的方法，通常分为建模与重建两个步骤，经典方法包括迭代反投影法[8]、凸集投影法[9]与最大后验概率估计法[10-11];传统基于学习的方法是基于浅层网络的学习方法，主要包括基于流行学习[12]的方法与基于稀疏表示[13]的方法。Dong[14]最早提出基于深度网络学习的方法，基于卷积神经网络的图像超分辨率方法（SRCNN）首次使用深度学习解决图像超分辨率问题，之后不断有学者对其进行优化与改进。本文主要研究基于生成对抗网络（GAN）的图像超分辨率方法。1网络模型设计1.1生成对抗网络生成对抗网络（GenerativeAdversarialNetworks，GAN）是Goodfellow等[15]在2014年提出的一种生成模型，其是在深度学习生成模型基础上发展而来的。它在网络结构上除生成网络外，还包含一个判别网络。生成网络与判别网络之间是一种对抗关系[16]。以图像超分辨问题为例，在解决该问题过程中，生成网络要将模糊的低分辨率图像作为输入，并输出一个高分辨率的清晰图像。判别网络则要判断输入图像是真实图像还是生成网络生成的图像，生成网络得到判别网络的反馈之后继续进行图像生成，直到判别网络无法准确区分真实图像与生成图像，即达到理想的纳什均衡状态。1.2网络模型设计与优化在基于GAN的图像超分辨率方法（SRGAN）中，网络模型分为生成网络模型和判别网络模型。1.2.1生成网络模型原SRGAN方法的生成网络模型结构如图1所示，其中每种色块表示一层网络，相同网络使用相同颜色。在其网络模型中，基本结构是先输入一张LR图像，使用激活...