CVPR2020（SPSR梯度引导的SR）Structure-Preserving Super Resolution with Gradient Guidance

Structure-Preserving Super Resolution with Gradient Guidance
文章链接：https://arxiv.org/pdf/2003.13081.pdf

项目地址：https://arxiv.org/pdf/2003.13081.pdf

利用图像的梯度图来引导SR.并且设计了梯度图的损失函数和计算方法

abstract     1、简介    2、相关工作

In this paper, we propose a structure-preserving super resolution method to alleviate the above issue while maintaining the merits of GAN-based methods to generate perceptual-pleasant details.
现有的GAN方法生成的图像经常会有结构上的损失，本文缓解了这个问题，采用了梯度作为先验信息的方法来改善。

以MSE为损失函数，虽然PSNR数值高，但是图像内容模糊。

基于GAN方法存在的问题：容易产生失真和尖锐的边缘效应。

判别器会引入不稳定因素，所以导致得到的图像结构一致性被破坏。

这些基于感知的方法通常会产生不真实的伪像与几何形变。

空间梯度信息也许能提供额外的监督信息，从而帮助更好的重建。

本文的核心想法：To the best of our knowledge, no GAN-based SR method has exploited gradient-s