图像超分辨率重建技术是计算机视觉中的经典研究内容之一,旨在利用低分辨率图像恢复出高分辨率图像。图像超分辨率的目标是产生高重建精度和高视觉质量的图像输出。实践中,在较大的放大比例下,生成逼真的图像细节往往十分必要。近年来,深度卷积神经网络的发展促使图像超分辨率技术获得突破性进步。本文重点围绕提高超分辨率图像的感知质量问题展开研究。在充分研究现有基于深度学习的超分辨率重建方法的基础上,提出了一个多特征鉴别器生成对抗网络模型,并将其应用于图像超分辨率重建,有效提高了超分辨率图像的感知质量。为了进一步提高图像中特征丰富区域的感知质量,提出了加权内容损失函数。实验结果证明,引入加权内容损失函数优化的多特征鉴别器生成对抗网络模型能够有效改善特征丰富区域的视觉质量,获得视觉上令人愉悦的高分辨率图像。本文的主要工作内容如下:(1)学习研究三类典型的图像超分辨率重建方法:基于插值的方法、基于浅层学习的方法和基于深度学习的方法,重点研究了感知质量驱动的深度学习超分辨率方法,并数值实现了几种具有代表性的方法。通过对比分析不同方法的实验结果,指出高感知质量的超分辨率重建结果在实践中具有重要的需求价值。(2)提出一个多特征鉴别器生成对抗网络模型,并将该模型应用于图像超分辨率重建。多特征鉴别器生成对抗网络模型包含生成器、图像鉴别器、形态成分鉴别器和色彩鉴别器。生成器与多特征鉴别器之间的对抗学习迫使生成的超分辨率图像的边缘、纹理和色彩等信息与高分辨率图像趋于一致。实验结果表明该模型能够有效增强重建图像中的边缘和纹理细节,避免色彩畸变。(3)提出一种新的加权内容损失函数,优化多特征鉴别器生成对抗网络模型。加权内容损失函数考虑到视觉对特征丰富区域敏感这一因素,优化后的多特征鉴别器生成对抗网络模型可以有效恢复图像中特征丰富区域的细节。大量实验结果表明,优化后的多特征鉴别器生成对抗网络模型可以显著提高不同种类图像的超分辨率重建结果的感知质量。超分辨率结果在边缘、纹理、色彩和特征丰富区域均获得了令人愉悦的视觉感受,且算法复杂度较低。