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:
-
提出一个可以学习感知指标行为可微分的Ranker模型:
-
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 -
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