abstract
cnn在傳統的單幀超解析度重建上取得了非常好的效果，可以取得較高的峰值訊雜比(psnr)。他們大都以mse為最小化的目標函式，這樣雖然可以取得較高的峰值訊雜比，但是當影象下取樣倍數較高時，重建的得到的會過於平滑，丟失細節。本文提出了利用gan來進行超解析度重建的方法，該網路是第乙個能恢復4倍下取樣影象的框架。作者提出的損失函式有兩部分組成：對抗損失，內容損失。
對抗損失將影象對映到高位流形空間，並用判別網路去判別重建後的影象和原始影象。而內容損失則是基於感覺相似性(perceptual similarity)而非畫素相似性(pixel similarity)。
intruction
所謂超解析度重建就是將低解析度影象恢復成對應的高解析度影象。但是由於低解析度影象資訊的缺失，這是乙個病態的求逆問題，尤其是在恢復的倍數較高的時候。傳統的方法考慮加入一些先驗資訊以恢復高解析度影象(如插值法)，此外，還有基於回歸方法的隨記森林也可以用於超分問題。稀疏學習，cnn在超分上也取得了非常好的效果，特別是cnn，使得超分已經可以達到實時應用。
method
作者提出的網路結構如下：
網路結構
生成網路由殘差結構組成，並結合bn，生成的影象丟到判別網路中，交給判別器判斷是生成的高解析度影象還是真正的高解析度影象。
作者主要的創新點在於代價函式的設計，尤其是將逐畫素損失替換為內容損失。作者提出的損失函式由以下三部分加權組成：
content loss
內容損失函式
這一項說白了就是對某一層的特徵圖的逐畫素損失作為內容損失(而不是最後輸出結果的逐畫素損失)。這樣可以學得影象所在的流形空間。(這句話我也沒太懂是什麼意思！個人理解，大概就是可以學得一些高層的語義特徵，結構資訊)
adversarial loss
對抗損失項
作者用的對抗損失項用：
負對數求和替換原來的代價函式，這樣有利於訓練。(作者給的參考文獻提到了原因，有興趣可以看看)。
regularization loss
作者利用基於全變差的正則項以鼓勵產生具有空間相似性的結果。具體公式如下：
正則損失
experiments
作者用sub-pixel網路作為生成網路，用vgg作為判別網路構建gan得到了非常好的結果，但是這個用的是逐畫素差作為損失函式。
之後，作者嘗試了自己提出的感知損失函式作為優化目標，雖然psnr和ssim不高，但是視覺效果都要優於其他網路，避免了其他方法的過度平滑的特性。
conclusion
提出的srresnet取得了state-of-art的結果
將感知損失引入gan，實現了4倍超解析度重建
SRGAN閱讀筆記
photo realistic single image super resolution using a generative adversarial github srgan cnn在傳統的單幀超解析度重建上取得了非常好的效果，可以取得較高的峰值訊雜比 psnr 他們大都以mse為最小化的目標函...
損失函式 SRGAN損失函式（目標函式）詳解
srgan的特點之一就是引進了損失感知函式，由此提公升了超解析度之後的細節資訊。本文主要像您介紹srgan使用的損失函式，及其keras實現。這是原文中給出的損失函式。容易看出，此損失函式包括兩部分，第一部分是感知損失，第二部分是正則化損失。感知損失是由李飛飛團隊提出的一種損失函式。感知損失分了兩部...
學維修電腦要多久 保定學當眾講話要多久
保定學當眾講話要多久 新勵成口才學校,勵志幫助學員提公升說話邏輯,清晰講話思路,克服當眾演講恐懼 課程安排有公眾講話，述職匯報演講，人際關係溝通技巧技銷售口才，科學發聲等課程。學員的成功見證.諮詢享0元課程 現在社會是多元化的時代，它在飛速發展的同時，對我們綜合素質的要求也越來越高。不僅要求有的工作...