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