SRGAN ESRGAN RDN系列超分算法
2017-CVPR-(SRGAN)Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
首次使用生成对抗网络(GAN)应用于图像超分辨率(SR)
主要贡献
1.把生成对抗网络思想应用于图像超分辨率工作中，判别器无法分辨出生成的超分辨率图像和真实的图像，使得生成的图像达到Photo-Realistic的效果。
2.设计了新型的感知损失(perceptual loss)作为网络的损失函数。
SRGAN是在SRResnet的基础上加上一个鉴别器。
https://blog.csdn.net/weixin_43840215/article/details/89739000
用均方误差优化SRResNet(SRGAN的生成网络部分)，能够得到具有很高的峰值信噪比的结果。
SRResNet:就是只用生成器，损失函数是MSE loss或者VGG loss。
SRGAN：用了生成器和判别器，损失函数用了perceptual loss,adversarial loss。
https://blog.csdn.net/sinat_36197913/article/details/104826242
2018-ECCV-ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks
残差密集块（RRDB）Residual-in-Residual Dense Block
ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks
提出了一种Residual-in-Residual Dense Block (RRDB)的网络单元
https://zhuanlan.zhihu.com/p/54473407
2018-CVPR-(RDN)Residual Dense Network for Image Restoration
又名为 Residual Dense Network for Image Super-Resolution
Yulun Zhang, Yapeng Tian, Yu Kong, Bineng Zhong, and Yun Fu, "Residual Dense Network for Image Super-Resolution", CVPR 2018 (spotlight), [arXiv] [Results@BaiduDrive], [Results@GoodleDrive]
Yulun Zhang, Yapeng Tian, Yu Kong, Bineng Zhong, and Yun Fu, "Residual Dense Network for Image Restoration", arXiv 2018, [arXiv]
https://github.com/yulunzhang/RDN
RDN主要是提出了网络结构RDB(residual dense blocks)，它本质上就是残差网络结构与密集网络结构的结合。
残差学习很适合做图像复原，因为低质图像与高质图像之间相似度很高，而他们的残差其实很稀疏。
相比resnet，densenet提出更激进的密集连接机制，即每个层都会接受前面所有层作为额外的输入。
RDB模块主要将残差模块residual block和dense block模块进行了整合，将两者集合起来，形成了residual dense block 。
https://blog.csdn.net/Arthur_Holmes/article/details/103371826
数据集DIV2K ：
https://data.vision.ee.ethz.ch/cvl/DIV2K/
图片为高质量的2k图片，包含800张训练集，100张测试集，100张验证集。
https://blog.csdn.net/qq_14845119/article/details/81459859
其它类似论文：
Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising
DN-ResNet: Efficient Deep Residual Network for Image Denoising