To learn image super-resolution, use a GAN to learn how to do image degradation first

• ECCV2018
• 问题引入：现有的方法使用成对的数据进行超分辨率模型的训练，但是LR的获取是从HR进行简单的下采样得到的，不能很好的反映现实情况；
• 概述：分为两个阶段，H2L和L2H
  – High-to-Low：采用不成对的两个数据集，HR和LR训练，训练之后产生成对的HR-LR数据进行L2H的训练；
  – Low-to-High：采用成对的两个数据集进行训练；
• 损失函数：两个阶段使用的损失都是GAN loss和L2 pixel loss的结合，并且GAN loss为主导（和之前的方法GAN loss只是使图像更shaper一些做对比）
  1. $l=\alpha l_{pixel}+\beta l_{GAN}$
  2. GAN loss使用hinge loss $l_{GAN}={\mathbb{E}}_{x\sim {\mathbb{P}}_r}[min(0,-1+D(x))]+{\mathbb{E}}_{\hat{x}\sim {\mathbb{P}}_g}[min(0,-1-D(\hat{x}))]$，其中${\mathbb{P}}_r$是只实际的数据分布，${\mathbb{P}}_g$指由generator生成的数据的数据分布；
  3. $l_{pixel}=\frac{1}{WH}{\sum }_{i=1}^W{\sum }_{j=1}^H(F(I^{hr}{)}_{i,j}-G_{\theta G}(I^d{)}_{i,j}{)}^2$