9.30问题总结

1、ZSSR需不需要单独训练各种尺度

不需要。因为网络在测试时进行训练，即，对于每一张测试图像，都会训练CNN网络，同时利用这个网络得到重构图像。其train+test时间与sot A监督CNN的测试运行时间相当。

2、ZSSR的实验部分搞明白

实验分为两大类：（1）理想情况和（2）非理想情况。

（1）理想情况

即LR图像是由HR图像双三次下采样得到的。

（2）非理想情况

真实的LR图像往往无法理想地生成。这又分为两种情况：①非双三次核和②低质量图像（带有噪声、伪影）

①使用随机高斯核对HR下采样得到LR图像，创建出一个新的测试数据集。因此，每个LR图像都是由不同的随机核下采样得到的。考虑了两种应用ZSSR的情况：

1. 用Blind-SR估计下采样核，并提供给ZSSR。（对于外部监督的Sot A SR方法，在测试时提供估计的下采样核是没用的）
2. 将ZSSR与用于创建LR的真正下采样核一起用

3、SFTGAN中优化目标和损失函数的联系，分别是干什么的

目标函数，损失函数和代价函数

目标函数来衡量模型的好坏，它由样本值和预测值之间的误差组成，而误差由损失函数来衡量。

 perceptual loss：

将真实图片的feature与生成图片的feature作比较，使得高层信息（内容和全局结构）接近，也就是感知的意思。

以往的代价函数使重建结果有较高的PSNR，但是缺少了高频信息，perceptual loss能够使生成图像的高频信息更接近真实图像的高频信息，以生成更加真实的图像。

参考链接

 adversarial loss：

来自GAN的对抗性损失用来鼓励生成器支持多种自然图像中的解决方案。应该就是为了使我们生成的图像更接近于自然图像。

 

通过损失函数L = perceptual loss + adversarial loss来优化生成器的参数θ。

目标函数

 

①先固定G，优化D

此时的目标就应该是，把G看成常数：

 而它的损失函数就应该是：

 优化目标就相当于是（max换成min，后面的公式加个负号）：

②再固定D，优化G

此时D相当于常数，优化目标就可以简写为：

也就是使G(x)更趋近于真实和自然的图像。

此时利用前面的损失函数L = per loss + adv loss，通过最小化该损失函数来更新参数θ，使生成器G(x)能得到更趋近于真实和自然的图像。