Los algoritmos actuales de reconstrucción de imágenes de súper resolución todavía enfrentan problemas de pérdida de información de alta frecuencia y aumento de ruido en las imágenes reconstruidas. En este artículo, se propone un modelo de reconstrucción de imágenes de súper resolución basado en codificación escasa convolucional y redes generativas antagónicas. Primero, se utiliza una red convolucional para lograr la codificación escasa y obtener una representación escasa de la imagen, aprovechando plenamente la información a priori de la imagen, evitando eficazmente la pérdida de información de alta frecuencia y el aumento de ruido en las imágenes reconstruidas; después de obtener la representación escasa de la imagen de baja resolución, se reconstruye la imagen de súper resolución mediante un módulo de reconstrucción; posteriormente, un discriminador evalúa la imagen reconstruida, alivianando el problema de imágenes suavizadas provocado por algoritmos dominados por PSNR. Tras un entrenamiento adversarial continuo, la imagen reconstruida final presenta mejores efectos visuales. Este artículo realiza experimentos de reconstrucción de súper resolución de 2 y 4 veces en los conjuntos de datos generales Set5, Set14, BSD100 y Urban100, comparándolos con Bicubic, SRGAN, EDSR y ESRGAN. En comparación con el método ESRGAN, el modelo propuesto mejora en promedio el PSNR en aproximadamente 0.7028 dB en los 4 conjuntos de datos, aumenta el SSIM promedio en aproximadamente 0.047 y el LPIPS promedio en 0.016. Los resultados experimentales demuestran que el modelo propuesto es altamente competitivo, capaz de restaurar más detalles finos de textura y ofrece mejor claridad.

procesamiento de imágenes; súper resolución de imágenes; representación escasa; redes generativas antagónicas