Considering the problems of low resolution and rough details in existing mural images, this paper proposes a superresolution reconstruction algorithm for enhancing artistic mural images, thereby optimizing mural images. The algorithm takes a generative adversarial network (GAN) as the framework. First, a convolutional neural network (CNN) is used to extract image feature information, and then, the features are mapped to the high-resolution image space of the same size as the original image. Finally, the reconstructed high-resolution image is output to complete the design of the generative network. Then, a CNN with deep and residual modules is used for image feature extraction to determine whether the output of the generative network is an authentic, high-resolution mural image. In detail, the depth of the network increases, the residual module is introduced, the batch standardization of the network convolution layer is deleted, and the subpixel convolution is used to realize upsampling. Additionally, a combination of multiple loss functions and staged construction of the network model is adopted to further optimize the mural image. A mural dataset is set up by the current team. Compared with several existing image superresolution algorithms, the peak signal-to-noise ratio (PSNR) of the proposed algorithm increases by an average of 1.2–3.3 dB and the structural similarity (SSIM) increases by 0.04 = 0.13; it is also superior to other algorithms in terms of subjective scoring. The proposed method in this study is effective in the superresolution reconstruction of mural images, which contributes to the further optimization of ancient mural images.

中文翻译：

---

改进的生成对抗网络在古代壁画超分辨率重建中的应用

针对现有壁画图像分辨率低和细节粗糙的问题，提出了一种超分辨率重建算法，用于增强艺术壁画图像，从而优化壁画图像。该算法以生成对抗网络（GAN）为框架。首先，使用卷积神经网络（CNN）提取图像特征信息，然后将特征映射到与原始图像大小相同的高分辨率图像空间。最后，输出重建的高分辨率图像以完成生成网络的设计。然后，将具有深层和残差模块的CNN用于图像特征提取，以确定生成网络的输出是否为真实的高分辨率壁画图像。详细而言，网络深度会增加，介绍了残差模块，删除了网络卷积层的批量标准化，使用亚像素卷积实现了上采样。此外，结合多种损失函数和网络模型的分阶段构建，可以进一步优化壁画图像。当前团队正在建立壁画数据集。与现有的几种图像超分辨率算法相比，该算法的峰值信噪比（PSNR）平均提高了1.2–3.3 dB，结构相似度（SSIM）提高了0.04 = 0.13；在主观评分方面，它也优于其他算法。本研究提出的方法对壁画图像的超分辨率重建是有效的，有助于进一步优化古代壁画图像。删除了网络卷积层的批量标准化，使用亚像素卷积实现上采样。此外，结合多种损失函数和网络模型的分阶段构建，可以进一步优化壁画图像。当前团队正在建立壁画数据集。与现有的几种图像超分辨率算法相比，该算法的峰值信噪比（PSNR）平均提高了1.2–3.3 dB，结构相似度（SSIM）提高了0.04 = 0.13；在主观评分方面，它也优于其他算法。本研究提出的方法对壁画图像的超分辨率重建是有效的，有助于进一步优化古代壁画图像。删除了网络卷积层的批量标准化，使用亚像素卷积实现上采样。此外，结合多种损失函数和网络模型的分阶段构建，可以进一步优化壁画图像。当前团队正在建立壁画数据集。与现有的几种图像超分辨率算法相比，该算法的峰值信噪比（PSNR）平均提高了1.2–3.3 dB，结构相似度（SSIM）提高了0.04 = 0.13；在主观评分方面，它也优于其他算法。本研究提出的方法对壁画图像的超分辨率重建是有效的，有助于进一步优化古代壁画图像。亚像素卷积用于实现上采样。此外，结合多种损失函数和网络模型的分阶段构建，可以进一步优化壁画图像。当前团队正在建立壁画数据集。与现有的几种图像超分辨率算法相比，该算法的峰值信噪比（PSNR）平均提高了1.2–3.3 dB，结构相似度（SSIM）提高了0.04 = 0.13；在主观评分方面，它也优于其他算法。本研究提出的方法对壁画图像的超分辨率重建是有效的，有助于进一步优化古代壁画图像。亚像素卷积用于实现上采样。此外，结合多种损失函数和网络模型的分阶段构建，可以进一步优化壁画图像。当前团队正在建立壁画数据集。与现有的几种图像超分辨率算法相比，该算法的峰值信噪比（PSNR）平均提高了1.2–3.3 dB，结构相似度（SSIM）提高了0.04 = 0.13；在主观评分方面，它也优于其他算法。本研究提出的方法对壁画图像的超分辨率重建是有效的，有助于进一步优化古代壁画图像。结合多种损失函数和网络模型的分阶段构建，进一步优化了壁画图像。当前团队正在建立壁画数据集。与现有的几种图像超分辨率算法相比，该算法的峰值信噪比（PSNR）平均提高了1.2–3.3 dB，结构相似度（SSIM）提高了0.04 = 0.13；在主观评分方面，它也优于其他算法。本研究提出的方法对壁画图像的超分辨率重建是有效的，有助于进一步优化古代壁画图像。结合多种损失函数和网络模型的分阶段构建，进一步优化了壁画图像。当前团队正在建立壁画数据集。与现有的几种图像超分辨率算法相比，该算法的峰值信噪比（PSNR）平均提高了1.2–3.3 dB，结构相似度（SSIM）提高了0.04 = 0.13；在主观评分方面，它也优于其他算法。本研究提出的方法对壁画图像的超分辨率重建是有效的，有助于进一步优化古代壁画图像。所提算法的峰值信噪比（PSNR）平均增加1.2–3.3 dB，结构相似度（SSIM）增加0.04 = 0.13；在主观评分方面，它也优于其他算法。本研究提出的方法对壁画图像的超分辨率重建是有效的，有助于进一步优化古代壁画图像。所提算法的峰值信噪比（PSNR）平均增加1.2–3.3 dB，结构相似度（SSIM）增加0.04 = 0.13；在主观评分方面，它也优于其他算法。本研究提出的方法对壁画图像的超分辨率重建是有效的，有助于进一步优化古代壁画图像。