一种基于Real-ESRGAN的超分辨率重建优化方法

本发明公开了一种基于Real‑ESRGAN的超分辨率重建优化方法，旨在解决现有超分辨率技术在面对复杂纹理图像时细节恢复能力不足的问题。该方法首先通过二阶退化模型生成包含真实世界退化特征的低分辨率(LR)图像与高分辨率(HR)图像的数据对。核心创新在于对Real‑ESRGAN网络进行了两方面的改进：一是在特征提取阶段，引入了特征选择增强残差网络模块，通过集成EMA注意力机制，增强关键特征并抑制无关信息，从而更有效地提取图像细节；二是在鉴别阶段，设计了U‑KAN(Kolmogorov‑Arnold Networks)结构作为鉴别器，并将传统跳跃连接改进为全尺度跳跃连接(U‑KAN+)，以增强模型对图像细节和全局信息的非线性建模能力及判别精度。通过在DF2K等数据集上的实验验证，该方法在多个公开数据集上均实现了优于原始Real‑ESRGAN的峰值信噪比(PSNR)和结构相似度(SSIM)指标，特别是在处理复杂纹理和边缘时表现出显著优势，证明了本发明在提升图像恢复细节能力和模型性能方面的有效性。