EnhanceNet论文阅读笔记

“EnhanceNet: Single Image Super-Resolution Through Automated Texture Synthesis”是与SRGAN同期的研究工作，有相似之处，使用perceptual loss提高生成图像的真实性，并使用GAN进行训练，但EnhanceNet更强调纹理统计特性的局部匹配可以产生更加真实纹理，减少不真实的伪影而没有额外使用正则化技术。

论文发表于2017 IEEE International Conference on Computer Vision (ICCV)
论文地址：https://arxiv.org/abs/1612.07919

简介

现有的图像超分辨率算法，往往使用MSE作为损失函数，这些方法会得到较高的PSNR值，但是产生的图像会过于光滑和缺失高频细节。作者在文中，举例说明了会产生过于光滑图像的原因。

作者使用perceptual loss作为损失函数获取更真实的图像纹理细节，使用前向全卷积网络，并通过GAN训练。获得了在高放大倍数下更好的图像质量效果。

网络结构

关于upsampling部分，作者没有使用bicubic插值，这样会增加网络的计算量。如果在后面用解卷积，又会引入环状效应，还额外需要正则项。最后作者选择使用引入环状效应更小的最近邻升采样，也没有使用正则项。

loss functions

使用的损失函数与李飞飞perceptual loss论文里的loss类似

Perceptual loss in feature space
使用预训练好的VGG-19作为特征提取网络

Texture matching loss

Adversarial training

Ablation study