[SRGAN] Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

1、背景

        过去的super-resolution (SR)算法通过最小化mean squared error (MSE)来进行优化，尽管可以提高peak signal-to-noise ratio (PSNR)，但pixel-wise的图像监督无法捕捉到更精细的纹理细节。

2、贡献

        1）在4x upscaling SR任务上的PSNR和structural similarity (SSIM)均较优

        2）提出了perceptual loss和GAN结构；用VGG的feature map计算loss，而不是pixel-wise的MSE loss

        3）用mean opinion score (MOS) test评测结果

3、方法 (training)

         ->  : 高斯滤波 + bicubic kernel下采样r倍

        1）对抗网络结构

                有助于生成感知上更优更真实的图片

        2）perceptual loss

                ​​​​​​​        ​​​​​​​        ​​​​​​​        

                -> content loss

                        VGG loss。即用pre-trained  19层VGG的j层卷积relu后、i层maxpooling前输出的feature map，计算euclidean distance。

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        

                 -> adversarial loss