图像超分辨率重建（SR）是由一个或多个低分辨率（LR）图像重建出高分辨率（HR）图像的技术，其增加图像中的高频成分，使得图像更加清晰，内容更加丰富 ^{[ 1 ]} 。图像超分辨率重建是一个固有的病态问题 ^{[ 2 ]} ，在低分辨率图像中所呈现的细节通常不足以唯一地重建高分辨率图像。解决图像超分辨率重建问题主要有以下3个方面：（1）无混叠上采样图像；（2）去除获取图像时出现的模糊和干扰；（3）多样本的定位和合成 ^{[ 3 ]} 。超分辨率在航空、军事、医学、交通管理等方面均有广泛应用 ^{[ 4 - 9 ]} 。

当前，结合深度学习的超分辨率重建技术已在计算机视觉领域中得到深入研究。超分辨率卷积网络（SRCNN）是较早提出的一种端到端的超分辨率重建方法，网络结构简单，只有3个卷积层 ^{[ 10 - 11 ]} 。该方法先使用双立方插值将低分辨率图像放大到目标大小，再通过三层卷积网络做非线性映射，得到高分辨率图像。网络对超参数的取值敏感，易陷入局部极值点，使网络训练不稳定，产生次优结果。SRCNN是先在低分辨率图像上进行上采样插值，让图像放大到与高分辨率图像尺寸相同，再作为网络的输入。深度递归卷积网络提出增加卷积层，使网络感受野扩大。同时为了避免过多网络参数，该文献提出使用递归神经网络 ^{[ 12 ]} 。与SRCNN类似，该网络分为3个模块，分别用于特征提取、特征的非线性变换和图像重建。深度递归卷积网络重建效果比SRCNN有较大提高。深度递归卷积网络输入的是插值后的LR图像。SRCNN与深度递归卷积网络的卷积操作都是在HR图像上进行，计算量较大。亚像素卷积网络（ESPCN）提出亚像素卷积层，核心概念是在LR图像上直接进行卷积运算，在最后一层将图像放大，得到HR图像 ^{[ 13 ]} 。卷积运算由于在LR图像上进行，效率会较高。SR结合车牌自动识别技术将视频的连续帧整合为单幅图像，包含的细节更加丰富 ^{[ 14 ]} 。视频亚像素卷积网络是利用视频相邻帧的相关性，提出使用视频中的时间序列进行高分辨率重建的高效方法 ^{[ 15 ]} 。上述基于学习的超分辨率重建方法中存在图像放大倍数不宜过大（小于4）的问题，若放大倍数在4倍以上（含4倍），易使图像显示结果过于平滑，在图像中缺少细节的真实感。以上方法均使用传统损失函数，将图像超分辨率细节重建问题过于简化。超分辨率生成对抗网络（SRGAN）提出传统的损失函数只能用于单个像素的评价，不足以评价整体图像视觉效果，并在网络中加入计算生成图像与目标图像之间误差的对抗损失，大大提高了图像的真实度，在视觉方面有了较大的进步 ^{[ 16 ]} 。目前多数方法均应用于自然图像 ^{[ 17 - 22 ]} ，然而医学图像与自然图像存在很大的区别，医学图像为灰度图像，图像信息简单、纹理单一、种类少，感兴趣区域更加难以区分。本文针对单幅超声图像，以超分辨率重建为基础，结合生成对抗网络的方法，首次针对血管内超声（IVUS）图像成像较为模糊的特点，将图像放大若干倍，获得优质清晰的超分辨率图像，有效地辅助医生诊断。网络中加入对抗损失函数项，克服了一般模型仅适用于单像素重建的问题。与现有其它超分辨率重建方法比较，改进后模型提升了整体图像视觉效果，细节更加丰富逼真。文中使用均方误差（MSE）、峰值信噪比和结构相似性等三个客观指标与目前常用的三种超分辨率方法比较：Bicubic、SRCNN和ESPCN。从平均意见分（MOS）主观指标进一步验证本算法的重建视觉效果。