人们线上沟通时,图像是传递信息和表达情感的主要语料之一,图像的质量会直接影响用户对图像内容的理解以及后续的图像应用。针对如何保证用户上传的自定义图像质量以及提高可恢复图像质量的问题,本文分别从图像质量评价和图像超分辨率两个方面进行研究及应用,主要研究内容如下:1.针对已有的生成对抗图像质量评价算法存在与人眼感知不一致的问题,提出了一种基于自注意机制生成对抗网络的无参考图像质量评价算法（A Self-Attention Restorative Adversarial Network of Image Quality Assesment,SARANIQA）,该算法结合自注意力机制和WGAN网络,协调了图像各位置局部信息之间的依赖性,最大程度地提高恢复图像与失真图像之间的感知距离,增强了对抗的稳定性,更符合人眼对图像特征的提取过程。在图像质量评价阶段,利用图像各分块的质量加权和,作为图像能否清晰化的衡量指标。实验结果表明,SARANIQA算法对图像质量的客观感知有着较好的准确性和一致性。2.针对基于通道注意的图像超分方法忽略了不同层之间的相关性问题,提出了基于整体注意混合网络（A Holistic Attention Mix Network,HAMN）的图像超分辨率算法,该算法的网络由卷积自注意融合块（Self-attention Convolution mix,AC）、层注意块（Layer Attention,LA）和通道空间注意块（Channel Spatial Attention,CSA）组成。卷积自注意融合块能够充分提取局部信息,通道空间注意块能够在保留语义上下文信息的基础上,忽略不重要的局部信息,层注意块通过考虑层间的相关性来自适应地强调层次特征。对比实验结果表明,所提的算法有更优的图像超分效果。3.设计和实现了“和晰”图像清晰化系统,作为SARANIQA算法与HAMN算法的应用场景,为用户提供图像质量评价和清晰化服务。