Bei bestehenden Algorithmen zur Super-Resolution-Bildrekonstruktion treten weiterhin Probleme mit dem Verlust hochfrequenter Informationen und zunehmendem Rauschen in den rekonstruierten Bildern auf. In dieser Arbeit wird ein Bild-Super-Resolution-Rekonstruktionsmodell auf der Basis von Faltungssparse-Coding und generativen gegnerischen Netzwerken vorgeschlagen. Zunächst wird ein Faltungsnetzwerk verwendet, um Sparse Coding zu realisieren und eine spärliche Bilddarstellung zu erhalten, wobei die Vorinformationen des Bildes voll genutzt werden, um effektiv den Verlust hochfrequenter Informationen und das zunehmende Rauschen in rekonstruierten Bildern zu vermeiden; nach Erhalt der spärlichen Darstellung des Bildes mit niedriger Auflösung wird durch ein Rekonstruktionsmodul die Super-Resolution-Bildrekonstruktion durchgeführt; anschließend bewertet ein Diskriminator das rekonstruierte Bild, um das durch PSNR-dominierte Algorithmen verursachte Glätten des Bildes abzumildern. Nach kontinuierlichem adversarialem Training weist das endgültig rekonstruierte Bild bessere visuelle Effekte auf. In dieser Arbeit wurden 2-fache und 4-fache Super-Resolution-Rekonstruktionsversuche an den allgemeinen Testdatensätzen Set5, Set14, BSD100 und Urban100 durchgeführt und mit Bicubic, SRGAN, EDSR und ESRGAN verglichen. Im Vergleich zur ESRGAN-Methode verbessert das vorgeschlagene Modell den durchschnittlichen PSNR um etwa 0,7028 dB in den 4 Datensätzen, den durchschnittlichen SSIM um etwa 0,047 und den durchschnittlichen LPIPS um 0,016. Die Experimentergebnisse zeigen, dass das vorgeschlagene Modell eine starke Wettbewerbsfähigkeit besitzt, mehr feine Texturdetails wiederherstellen kann und eine bessere Klarheit aufweist.

Bildverarbeitung; Bild-Super-Resolution; spärliche Darstellung; generative gegnerische Netzwerke