Существующие алгоритмы сверхразрешающей реконструкции изображений все еще сталкиваются с проблемой потери высокочастотной информации и увеличения шума в восстановленных изображениях. В данной работе предложена модель сверхразрешающей реконструкции изображений на основе сверточного разреженного кодирования и генерирующих состязательных сетей. Сначала с помощью сверточной сети реализуется разреженное кодирование и получается разреженное представление изображения, что позволяет полноценно использовать априорную информацию изображения и эффективно избежать проблемы потери высокочастотной информации и увеличения шума в восстановленных изображениях; после получения разреженного представления низкоразрешенного изображения, с помощью модуля реконструкции производится восстановление сверхразрешающего изображения; затем дискриминатор оценивает восстановленное изображение, ослабляя проблему сглаживания, вызванную алгоритмами, ориентированными на PSNR. После непрерывного состязательного обучения итоговое восстановленное изображение обладает лучшими визуальными характеристиками. В работе проведены эксперименты сверхразрешающей реконструкции с увеличением в 2 и 4 раза на общих тестовых наборах данных Set5, Set14, BSD100 и Urban100, а также сравнительный анализ с методами Bicubic, SRGAN, EDSR и ESRGAN. По сравнению с методом ESRGAN, предложенная модель в среднем по 4 наборам данных повышает PSNR примерно на 0.7028 дБ, SSIM в среднем на 0.047, LPIPS в среднем на 0.016. Экспериментальные результаты показывают, что предложенная модель обладает высокой конкурентоспособностью, способна восстанавливать больше тонких текстурных деталей и обеспечивает лучшую четкость.

обработка изображений; сверхразрешение изображений; разреженное представление; генерирующие состязательные сети