Unpaired Image Super-Resolution using Pseudo-Supervision

---

前言

本文来自2020的CVPR，其创新点来自CycleGAN。

图像超分辨率的目的是从相应的低分辨率（low-resolution，LR）输入构建高分辨率（high-resolution，HR）图像。

一、摘要

作者指出：在大多数超分研究中，数据集需要（LR-HR）一 一配对好，这无疑增加了成本，作者提出一种无需配对数据集的超分问题解决方案。

二、要点

1.所提出一整套方法

是通过预先操作将HR图像降级为LR（降尺度操作是σ=（比例因子）/2的高斯模糊和双立方降尺度的组合）

是原始低分辨率图片
1.

生成器XY↓：输入原始LR图片，输出操作后的LR（论文中定义为clean LR)

判别器DY↓：判断是不是clean LR
2.

生成器Y↓X：输入clean LR，输出X

判别器DX：判断是不是X
3.

上采样Y↓X：将clean LR 通过上采样操作转为HR

判断是不是经过生成器XY↓和上采样Y↓X操作后的图片

2.多种损失融合

1是对抗损失，2、3都是CycleGAN中提出的损失，3来自 Huan Fu, Mingming Gong, Chaohui Wang, Kayhan Batmanghelich, Kun Zhang, and Dacheng Tao. Geometryconsistent generative adversarial networks for one-sided unsupervised domain mapping. In CVPR, 2019.

3.网络结构

GXY↓ 和 UYY↓ 使用RCAN, GY↓X 使用几个残差模块和融合层，判别器均采用PatchGAN，这里几个模型的网络结构可能还有改进空间。
还有值得探讨的是，GY↓X模型每个卷积层后面都有BN层，在ESRGAN中BN层被否定。

实验

对比实验＋消融实验
结果是肯定不如几个有一对一数据集的模型的，但是确实是将无监督模型改进了。

总结

CycleGAN在SR的创新应用