SR总结

SISR是一个逆问题，对于一个低分辨率图像，可能存在许多不同的高分辨率图像与之对应，因此通常在求解高分辨率图像时会加一个先验信息进行规范化约束。

SISR方法：
1）基于插值的方法（在大尺度因子上的表现很差）
2）基于重构的方法（在大尺度因子上的表现很差）
3）基于实例的方法（主要方法）

对于图像超清这个问题来说，存在一个关键性的问题，即一张低清图像可能对应着多张高清图像，那么问题来了。
我们把低分辨率图像中需要高清化的部分分成A,B,C,D等几个部分，那么A可能对应A1,A2,A3,A4，B对应B1,B2,B3,B4，以此类推。假设A1,B1,C1,D1对应一张完美的高清图片。那么现有的算法可能生成的是A1,B2,C3,D4这样的混搭，从而导致生成的高清图像模糊。
为了解决上述问题，需要在生成图像的同时引入先验知识。画家在拥有了人脸的知识之后，就可以画出令人信服的高清细节。类比到图像超清问题中，先验知识即是告知算法该选择哪一种高清结果。
在图像超清问题中，这样的知识体现为让像素之间有相互依赖的关系。这样，就可以保证A、B、C、D四个不同的部分对于高清版的选择是一致的。

SRGAN：
感知损失L(SR) = 内容损失 + 对抗损失
内容损失二选一：
1）MSE（像素空间）
2）基于训练好的以ReLu为激活函数的损失函数（特征空间）

生成器网络中的残差块为16个。
在生成网络中，作者应用了分布相同的B残差块，每个残差块都有两个卷积层