图像超分辨率重构任务是图像处理领域的重要研究课题,主要的任务目标就是根据低分辨率图像重构出具有更多细节内容的高分辨率图像。尽管现在图像超分辨率重构的质量已经得到了巨大的提升,但是对于提升重构图像的视觉感观仍然具有研究价值。在本文中,为了克服传统超分辨率模型的重构结果的细节模糊问题,本文分别结合注意力机制和对比学习思想构建全新的超分辨率模型。首先,本文搭建了非对称分支网络来提取输入图像的特征,通过对比两个网络之间特征图的差异,计算出损失并反向更新网络的权重,增强网络学习图像数据分布的能力。同时,本文设计了一个基于注意力机制的特征增强模块,对非对称分支网络生成的中间特征图进行增强。最终的评价指标得分对比和可视化结果对比都证明了提出的方法能够有效的改善图像细节质量。大多数超分辨率方法都是在数据集上训练的,其中高分辨率图像和相应的低分辨率图像是通过固定退化方法获得。但是,如果在数据集中无法找到测试图像特定的纹理信息,这些基于外部数据集训练方法将无法恢复出测试图像的纹理信息。因此,本文结合生成对抗网络模型的特点,提出了动量特征对比网络来生成具有丰富纹理信息的超分辨率图像。特征对比网络具有动量更新的孪生结构,在扩展低分辨率图像信息的同时,保证了中间特征图的连续一致性。此外,本文设计了一种特征融合模块来处理两个分支网络的特征图,保留特征的全局分布并增强局部高频细节。本文提出的方法在训练过程中没有高分辨率图像的参与,属于完全无监督的超分辨率方法。最终定性定量的实验结果表明,本文提出的方法在重构质量和性能指标上均具有不错的提升。为了进一步发掘特征对比网络生成的特征图信息,提升最终图像重构的质量,本文提出了一个正交向量增强模块。通过对特征图通道信息和空间信息进行增强,之后学习特征的重构基向量,并使用正交变换将其映射到信号子空间中。最终,模块增强了重构图像的局部纹理信息并且抑制了图像的全局噪声。实验结果表明,本文提出的正交向量增强模块有效提升了重构图像的纹理质量,在抑制图像噪声上也具有明显的效果。