Um die Auswirkungen des Verlusts hochfrequenter Informationen auf die Bildrekonstruktion zu verringern und die Extraktion von Merkmalinformationen weiter zu verbessern, wurde ein generatives Netzwerk aufgebaut, das auf einem pyramidenförmigen Varianz-Pooling-Modul basiert. Zunächst nutzt das Netzwerk Varianz-Pooling auf verschiedenen Ebenen, um Merkmale aus niedrigauflösenden Bildern zu extrahieren, und kombiniert eine Pyramidenstruktur, um Kontextinformationen in verschiedenen Maßstäben und Unterregionen zu erhalten, wodurch die Merkmalsinformation erweitert wird. Danach wird eine dichte Verbindungsstruktur verwendet, um die Verbindung zwischen den Merkmalsinformationen zu stärken und die Ausdrucksfähigkeit des Netzwerks zu verbessern. Schließlich wird eine Gruppen-Normalisierungsoperation eingeführt, um die Konvergenz des Netzwerks zu verstärken. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene Modell im Vergleich zu anderen Methoden auf den öffentlichen Testdatensätzen Set5, Set14 und DIV2K100 bei einem Vergrößerungsfaktor von 4 die durchschnittliche PSNR um 0,509 dB und die durchschnittliche Strukturähnlichkeit um 0,016 verbessert. Das vorgeschlagene Modell verbessert nicht nur die PSNR und Strukturähnlichkeit, sondern die rekonstruierten Bilder enthalten auch visuell mehr realistische Details.

Bild-Superauflösung;generatives gegnerisches Netzwerk;Varianz-Pooling;dichte Verbindung