摘要
近年来，深度学习技术在图像恢复领域得到了广泛的研究和应用，特别是在图像去噪和去模糊这两个核心子任务上。这些技术在卫星图像处理、医学图像分析和智能监控系统等实际应用中具有重要意义。尽管已有许多技术在一定程度上实现了图像去噪和去模糊的目标，但仍然存在一些问题，如恢复效果不佳、网络复杂度过高和计算量庞大。 本论文旨在利用生成对抗网络（GAN）来改进图像恢复技术，特别是图像去噪和去模糊技术。研究首先介绍了一个基于U-Net的U型网络结构和PathGAN的生成对抗网络-UformerGAN，该网络生成器利用U型结构和LeWinTransformerBlock来实现高效的恢复图像生成。该方法通过注意力门模块来控制特征的重要性，并采用了一种组合损失函数来优化训练过程。 为了进一步优化该网络，本文提出了一系列的改进措施，包括使用更简单的NAFNetBlock替换LeWinTransformerBlock，引入双尺度判别器来捕捉图像的局部纹理和全局结构信息等。此外，本文还对损失函数进行了优化，结合像素损失、感知损失和对抗损失来共同提高图像的自然度和真实感。新提出的NAFNetGAN模型保留了U-Net的基本结构，同时引入了基于NAFNet的生成器和双尺度判别器，前者简化了生成器网络，后者结合了局部和全局判别器来更全面地判别生成的图像。此外，该模型还采用了一种新的RaGAN-LS损失函数来加速训练并提高输出的感知质量。 本研究成功地展示了通过结合先进的网络结构和损失函数优化技术，可以创建一个高效且精确的图像恢复模型。该模型不仅能够产生高质量的输出，还保持了计算效率，为图像恢复领域提供了一个有力的解决方案。这种技术有望在各个图像领域发挥重要作用，提供更清晰、更真实的图像恢复结果。 本文还在公开数据集上进行了对比实验，以验证所提出模型的有效性。相比于现有的模型方法，我们提出的两种图像恢复模型在PSNR和SSIM两项关键指标上均展现出优异的表现，成功实现了我们设定的网络模型设计目标。
NETL