图像超分辨率重建旨在通过低分辨率图像重建出清晰的高分辨率图像。随着深度学习的快速发展和广泛应用,研究人员提出了众多基于深度学习的图像超分辨率算法,并取得了很好的效果。本文通过分析几种具有代表性的超分辨率算法的原理和思路,从网络结构和损失函数两个方面对图像超分辨率问题展开研究,以提高算法的性能首先,本文从改进网络结构的角度,利用多尺度映射的思想,结合U-net的编码器-解码器网络结构,提出了基于多尺度特征映射网络的图像超分辨率算法。该算法对U-net网络结构加以改进,令其适用于解决图像超分辨率问题,并引入多尺度特征映射模块对多个尺度上的图像特征进行上采样与非线性映射,网络将多尺度特征映射模块的输出特征通过拼接操作与重建特征融合,以便将底层信息直接传递到网络高层,从而弥补由下采样和上采样操作导致的图像信息的丢失,帮助重建图像恢复更多细节信息,提高重建图像质量。实验结果证明,该算法的性能有明显的提升。其次,为研究损失函数对重建图像质量的影响,本文结合生成对抗网络构建了用于图像超分辨率的生成对抗算法框架。算法的整体框架由生成器网络与判别器网络组成,为了控制网络结构对实验结果的影响,使用前面提出的多尺度特征映射网络作为生成器网络,并设计了具有全卷积结构的判别器网络,以便更好地学习阁像的局部纹理。算法采用结合了均方误差损失、感知损失和对抗损失的联合损失函数来训练生成器网络。相关实验结果表明,提出的算法明显提高了重建图像的感知质量,且很好地消除了图像平滑区域的尖锐噪声。综上所述,本文结合深度学习的相关方法,从网络结构与损失函数两个方面围绕图像超分辨率问题展开研究,通过与其他基于深度学习的图像超分辨率算法的对比,表现出了更高的感知质量和客观量化评分。