CVPR2017: SRResNet(SRGAN): Photo-Realistic Single Image Super-Resolution Using a Generative Adversar

首先看一下这篇文章的摘要

尽管利用CNN做图像超分辨在速度和精度上都有了突破，然后关键的问题在于做高倍超分辨的时候恢复精细的纹理很有挑战。当前的工作基本利用MSE做损失函数，但是产生的结果经常缺失高频细节，感知效果不好。本文首次提出利用生成对抗网络做高倍率超分辨，提出利用内容损失（perceptual loss) 和对抗损失(adversarial loss).

 

网络结构：

其中：

SRResNet:就是只用生成器，损失函数是MSE loss或者VGG loss

SRGAN：用了生成器和判别器，损失函数用了perceptual loss,adversarial loss

 

损失函数：

定义了感知损失函数（Perceptual loss function）来训练生成器：它是由内容损失和对抗损失的加权和。

内容损失(content loss):

(1) MSE

(2) 基于VGG

对抗损失（adversarial loss):

实验结果：

以下是用不同的content loss做的试验结果：

其中，

SRGAN-MSE表示对抗网络中content loss只用MSE

SRGAN-VGG22表示（i=2, j=2)表示定义在low-level特征图上的loss

 SRGAN-VGG54表示(i = 5, j = 4)表示定义在high-level特征图上的loss。

SRResNet-MSE表示只用生成器，没有判别器（即不用adversarial loss),生成器的损失函数为MSE，简记为SRResNet

SRResNet-VGG22表示只用生成器，没有判别器（即不用adversarial loss),生成器的损失函数为VGG low-level特征图上的loss。

 

从试验结果可以看出，SRResNet的PSNR最高，而SRGAN的看着更真实。