图像超分辨率重建技术旨在从低分辨率图像中恢复高分辨率图像，近年来在计算机视觉和图像处理领域受到广泛关注。
随着深度学习技术的迅速发展，基于深度学习的超分辨率重建方法取得了显著进展，其中SRCNN和SRGAN是两种具有代表性的模型。
SRCNN作为早期基于深度学习的超分辨率重建方法，其开创性地将卷积神经网络应用于该领域，取得了比传统方法更优越的性能。
而SRGAN则引入了生成对抗网络，通过对抗训练的方式，进一步提升了重建图像的质量，尤其是在感知质量方面。
本文将对SRCNN和SRGAN两种超分辨率图像重建模型进行对比研究，首先介绍超分辨率重建的相关概念和研究背景，然后分别阐述SRCNN和SRGAN的模型结构、工作原理以及优缺点，并通过实验对比分析两种模型在不同数据集和评价指标下的性能差异，最后总结两种模型的适用场景和未来发展趋势。
关键词：超分辨率图像重建；深度学习；SRCNN；SRGAN；生成对抗网络
随着数码相机、智能手机等图像采集设备的普及，人们对高分辨率、高质量图像的需求日益增长。
然而，受到硬件设备limitations、环境因素等影响，获取的图像往往分辨率较低，细节信息模糊，限制了人们对图像信息的进一步理解和应用。
图像超分辨率重建技术(Super-ResolutionImageReconstruction)旨在从低分辨率(Low-Resolution,LR)图像中恢复出高分辨率(High-Resolution,HR)图像，为解决上述问题提供了有效途径。
超分辨率重建技术在多个领域具有广泛的应用价值，例如：
医学影像分析:可以提高医学影像的分辨率，有助于医生更准确地诊断疾病。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
