图像超分辨EnhanceNet- Single Image Super-Resolution Through Automated Texture Synthesis笔记

图像超分辨EnhanceNet: Single Image Super-Resolution Through Automated Texture Synthesis笔记

---

简介

• 作者写这篇文章，主要是提出了损失函数的改进。传统的损失函数是MSE，虽然很好优化，但它是所有可能的纹路取平均的结果，因此看起来较为平滑，很不自然。因此，作者将提出一个不同的损失函数，联合对抗训练，来提高SISR的感知质量。

SISR

• 文中列举了一个用不同损失函数超分辨的示意图：
  
• 在降采样得到LR时，HR的细节信息已经丢失了，如果用MSE作为损失函数，只会估计出所有可能的平均值。而单纯使用对抗损失虽然不是像素级的精确，但可以生成更加真实的细节。

模型

• 作者使用的网络结构如下：
  
• 关于升采样部分，最自然想到的是一开始就用双三次插值，但这样会增加网络的计算量。如果在后面用解卷积，又会引入环状效应，还额外需要正则项。最后作者选择使用引入环状效应更小的最近邻升采样。

损失函数

• 除了MSE损失，作者还引入了其他损失函数。

Perceptual loss in feature space

• 这个损失的计算是把$I_{est}$和 IHR