tony365的博客

根据方法应用的位置将现有的增强技术分为两组：像素域就是针对图像 和 特征域就是中间的特征层。作者提出cutblur方法，正则化模型使模型可以学到 在图像的什么区域区增强以及如何增强。作者基于提出cutblur数据增强方法以及其他一些辅助方法 构建一个混合的数据增强策略，效果很好。作者主要利用EDSR model 在 DIV2K和 RealSR 两个数据集上从头训练，进行分析。

pixel_opt:相比于一般的l1 loss多了 loss weight, reduction, weight三个功能。首先loss_util.py文件定义weight_lossArgs:Returns:"""else:Args:Returns:"""else::Example:tensor(3.)"""loss = loss_func(pred, target, **kwargs) # 这里 reduction='none'接下来定义带weight的L1 loss。

上图的左上部分如下就是1个 gan， gan生成目标B， 但是没有label条件约束，因此pixel2pixel中的L1损失就没法使用了，那么如何保持生成的图像目标图像的一致性呢？那么生成器呢，除了原来的损失，再加上一个L1损失。就是通过添加限制条件，来控制GAN生成数据的特征（类别），比如之前我们的随机噪声可以生成数字0-9但是我们并不能控制生成的是0还是1，还是2.噪声z 输入生成器，希望判别器得到 1， 即希望生成器生成的图 输入判别器时 是 1，即希望生成器生成的图，和real更接近。

首先，学习从LR到HR图像的映射函数通常是一个不适定问题，因为存在无限的HR图像可以降采样到相同的LR图像。因此，可能的函数的空间可能非常大，这使得很难找到一个好的解决方案。深度神经网络通过学习从低分辨率（LR）图像到高分辨率（HR）图像的非线性映射函数，在图像超分辨率（SR）方面表现出了良好的性能。其次，成对的LR-HR数据在现实应用程序中可能不可用，而且潜在的退化方法通常是未知的。为了解决上述问题，我们提出了一种对偶回归方案，通过对LR数据引入一个额外的约束，以减少可能的函数的空间。

注意的是tf.depth2space 与 torch.pixel_shuffle 在 生成多通道 图像时，排布时不同的。因此最终的效果 就是 把RGB image stack (scale * scale) 次而已。主干网络预测的是 残差，什么的残差？是最近邻插值图像与 ground-truth的残差。最近邻卷积，可以理解为最近邻插值，只不过插值后的图像按channel迭代，而不是空间。然后 与 残差相加，最后一个 depth2space 生成超分图像。提出一种适用移动端的超分网络。

ssim 指数计算如下图ssim基于三个相似度指标，分别是亮度，对比度 和结构[1]

根据图像对学习滤波核之前研究过根据图像对生成3Dlut, 以及生成颜色变换系数这里我们利用图像对学习 滤波。

在DASRDataset只是计算blur kernel, 而 blur退化的执行, 以及 resize, noise, jpeg compress等退化的执行是在 DASRModel 类中的 feed_data 函数中。degradation_params 是一个33dim的向量，也是退化预测网络中回归损失函数的 gt.主要分为3个强度的退化空间，在处理数据集的时候，应用的概率分别是。对判别器有个大概的了解，输入的是3通道图像，输出的是单通道等尺寸map。在测试的时候没有判别器，训练的时候有判别器。