SRGAN是基于深度学习的图像超分辨率的典型方法, 重建效果较好, 但该算法还存在一些缺陷, 在提高图像质量和运行速度上仍然有较大提升空间。本文在SRGAN网络模型的基础上提出了一个优化模型。因为批量归一化(BN)层在超分辨图像重建中常常会忽略一些图像的细节, 同时增加网络的复杂度, 所以在SRGAN的生成器中去除了BN层, 并引入ECA通道注意力, 使每个残差块生成特征图获得相应的权重, 以便处理更多的图像细节。经过公开数据集的训练和对比实验, 结果表明提出的改进模型相比于对比模型, 重建图像的细节恢复更丰富, 视觉效果更好, 峰值信噪比和结构相似性表现更佳, 模型**数量更少。

基于Johoson等的图像风格转换网络模型,在保证网络性能的前提下,在原有的网络结构上,通过运用更高效的网络计算方法对原有残差网络进行优化。实验结果表明,改进后的方法在几乎不降低图像质量的前提下,一定程度上克服了图像风格迁移模型存储量大、计算代价高、计算资源消耗大、难以移植到移动端的问题。