Para reduzir o impacto da perda de informações de alta frequência na reconstrução de imagens e fortalecer ainda mais a extração de informações de características, foi construída uma rede generativa com base em um módulo de pooling de variância em pirâmide. Primeiro, a rede utiliza pooling de variância em diferentes níveis para extrair características das imagens de baixa resolução e combina a estrutura em pirâmide para obter informações contextuais em diferentes escalas e sub-regiões, enriquecendo assim a quantidade de informações características. Em seguida, utiliza uma estrutura de conexões densas para reforçar a correlação entre as informações das características e melhorar a capacidade expressiva da rede. Por fim, introduz a operação de normalização em grupo para fortalecer a convergência da rede. Os resultados experimentais mostram que o modelo proposto supera outros métodos nos conjuntos de teste públicos Set5, Set14 e DIV2K100, com um aumento médio de 0,509 dB no PSNR e 0,016 na similaridade estrutural para um fator de ampliação de 4. O modelo proposto não só melhora o PSNR e a similaridade estrutural, mas as imagens reconstruídas apresentam mais detalhes reais em termos de efeitos visuais.

super-resolução de imagem;rede adversarial generativa;pooling de variância;conexões densas