Unsupervised Image Super-Resolution using Cycle-in-Cycle Generative Adversarial Networks论文阅读

Unsupervised Image Super-Resolution using Cycle-in-Cycle Generative Adversarial Networks论文阅读

1.存在的问题：
低分辨率图像作为输入时，由于噪声和模糊会进一步退化。这种复杂的设置使得有监督学习和准确的内核估计成为不可能。
2.解决方法：
采用无监督学习，使用没有配对数据，以生成式对抗网络(GAN)为基本组成部分，提出一种Cycle-in-Cycle的网络结构：（1）将带噪声和模糊的输入映射到一个无噪声的低分辨率空间。（2）利用预先训练好的深度模型对图像进行上采样。（3）对两个模块进行端到端微调，得到高分辨率的输出。
3.网络结构
![在这里插入图片描述](https://img-blog.csdnimg.cn/20210222232927601.png?x-oss-process=image/watermark,
这是整个网络的框架，其中G1、G2和G3是生成器，SR是一个超分辨率网络。D1和D2是鉴别器。G1、G2和D1组成第一个LR-清晰LR的循环模型，将退化LR图像映射到清晰的LR图像。G1、SR、G3和D2构成第二个LR-HR的周期模型，将LR图像映射到HR图像。
3.1动机
超分辨问题接受低分辨率的图像并输出分辨率大得多的高分辨率图像。即是说超分辨问题要求输出的图像是高质量的，那么如果仅仅直接采用图像到图像的平移方法，首先需要对LR图像进行插值上采样，这也会放大噪声模式。如果直接使用现有的方法，如CycleGAN，不能去除这些放大的噪声，就会使得训练变得非常不稳定。
3.2几个重要的损失函数理解网络

（1）generator-adversarial loss：
指的是生成基础的清晰的低分辨率的过程损失。

（2）cycle consistency loss：
主要是为了保持输入和输出的一致性，使x’与输入x相同。


自我感觉（3）（4）不太重要，看原文

于是第一个循环任务的损失就如（5）

在我看来（5-8）和上面差不多，主要是为了不同的任务罢了。

这是HR下的损失

这个图可以保存一下。