1.一种基于改进生成对抗网络的图像超分辨率重建方法，包括以下步骤：

步骤1.收集大量2k像素高质量图片，从中截取大量HR图片块，通过4倍下采样的方式得到对应的LR图片块，以此构建训练数据集；

步骤2.建立生成对抗网络模型，生成器网络G采用残差网络，条件判别器D同样采用残差网络，并移除残差块中的归一化BN层；

生成器网络G采用残差网络的结构，条件判别器D同样采用残差网络结构，并均移除残差块中的归一化BN层；生成器网络G具有B1个相同结构的残差块；根据条件生成对抗网络Conditional GAN，判别器网络D包含两个输入，一个是HR图像，另一个是生成器生成的超分辨图像SR；使用kernel size＝2和stride＝2的两个卷积层对HR图像进行两次下采样，提取特征图，然后将其与从LR图像中提取的特征图连接起来，并在四次下采样之后将它们馈送到残差块；在判别器网络的最后，对特征映射进行平滑处理，利用全连接层进行logits运算；值得注意的是，由于训练时采用梯度惩罚，从判别器网络的残差块中去除BN层，并且使用LeakyReLU层来避免稀疏梯度；用B1和B2分别是产生器和判别器网络中的残差块数，用nF表示滤波器数；

步骤3.用相对判别器的思想改进了生成对抗网络的训练损失函数，并在生成器损失函数中加入内容损失，在判别器损失函数中加入基于假数据的梯度惩罚项；再使用处理好的训练数据集并采用Adam优化器对网络进行对抗训练，直到其收敛；

所述的损失函数包含生成器损失函数和判别器损失函数，生成器损失函数即对抗损失判别器损失函数即 分别写成：通过相对判别器来改进生成对抗网络的损失函数，相对判别器用于估计真实数据比生成的假数据更真实的概率或程度，通常的判别器是f(D(x))，而相对论判别器则被定义为f(D(xr)‑D(xf))，其中f是实值函数，(xr,xf)是真/假数据对；相对判别器将学会区分“真实图像是否比生成的假图像更真实”而不是“一个图像是真实还是假的”；根据相对判别器的思想，定义：其中f(t)＝‑log(1+exp(‑t))， 表示参数为θG的生成器网络， 表示参数为θD的生HR LR成器网络，I 表示训练图片中的高分辨率图片，通过r倍下采样得到对应低分辨率图片I ；

LR LR

具有C个色彩通道的I 由尺寸为C×W×H的张量表示，W，H分别表示I 的宽度和高度，那么HRI 的尺寸写成C×rW×rH，参数r设置为4；

使用Charbonnier损失作为内容损失，Charbonnier损失是L1范式的可微变体；因此，整体内容损失函数定义为：其中 是Charbonnier惩罚函数，参数ε设置为1e‑6；

使用假数据的梯度来惩罚判别器损失，从而稳定GAN训练，保证重建图像质量；梯度正则化项写为：步骤4.由训练好的生成器网络完成对低像素图像的端到端超分辨率重建。

2.根据权利要求1所述的一种基于改进生成对抗网络的图像超分辨率重建方法，其特征在于：所述步骤1的训练数据集中截取的HR图片块分辨率为256×256，对应下采样后的LR图片块分辨率为64×64。

3.根据权利要求1所述的一种基于改进生成对抗网络的图像超分辨率重建方法，其特征在于：所述步骤3中训练网络时，将训练图片归一化至‑1到1之间。