RankSRGAN论文总结

论文： Generative Adversarial Networks with Ranker for Image Super-Resolution

• 论文解决的问题：
  许多与人类评价高度相关的无参考图像质量评估（NR-IQA）指标（通常包括手工特征提取或统计回归操作），无法用作损失函数来优化网络的问题

• 论文使用的主要方法：

  1. 提出一个可以学习感知指标行为可微分的Ranker模型：
     

  2. 引入一个新的损失函数rank-content loss
     由训练Ranker模型得到，并且应用到RankSRGAN网络，使得RankSRGAN网络可以在感知度量的方向上优化生成器

  3. 提出RankSRGAN网络：该框架能够在不可微感知度量的方向上优化生成器
     

• 与其他论文对比
  1） 所提出的SR框架具有高度的灵活性，并且在构造的不同数据集，感知指标和损失组合的情况下产生多种结果。
  2） 可以结合和利用最新的不同的SR框架的输出的结果来构造数据集，用这样数据集来训练Ranker，在应用到RankSRGAN上获得更优的性能