论文笔记 |《Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network》

论文地址：https://arxiv.org/abs/1609.04802

---

1 Introduction

因为评价指标是PSNR，所以大多数方法都采用MSE损失。但是像素损失通常得到的结果都过于平滑，难以恢复出高频信息。

MSE损失倾向于找到多个潜在的高清纹理细节的解的平均值，而GAN方法的鉴别器会引导网络生成一个和真实图像相似的高清解。

2 Method

HR图像高斯模糊再降采样得到LR

方法的最终目的是训练一个生成器G，训练目标是：

N是训练集中图像的数量，G是参数为theta的生成器，l^SR是损失函数，在后面有详细的描述。

2.1 对抗网络结构

定义一个鉴别器D，交替优化G和D，D使目标函数取得最大值，G使目标函数取得最小值。

其中I_HR~p_train(I_HR)表示服从p_train分布的I_HR。

注：原始GAN的论文没看完，看完之后会写总结，在那里详细说明这个优化目标的意义。

2.2 感知损失函数

感知损失函数改进了Johnson等人^[1]的方法，损失函数分为三部分：内容损失、对抗损失、正则化损失。

内容损失：类似风格迁移中的内容损失，两张特征图之间的欧氏距离。

对抗损失：用来保证生成的结果可以骗过鉴别器

正则化损失：

整体网络结构：