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，lSR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IHR~ptrain(IHR)表示服从ptrain分布的IHR。
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：
网友评论