**：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)。
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。
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：
正則損失
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。
srgan要訓練多久 SRGAN閱讀筆記
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...
閱讀任務 閱讀筆記 4
功能驅動的設計 1 構造總體模型 2 構造功能列表 3 制定開發計畫 4 功能設計階段 5 實現具體功能 軟體測試按目的分類 1 功能測試 2 非功能測試 軟體測試的各種方法 1 單元測試和 覆蓋率測試 2 構建驗證測試 3 驗收測試 4 探索式的測試 5 回歸測試 6 場景 整合 系統測試 7 夥...
閱讀筆記 2006 01
請您尊重您的價值，因為它已經得到了社會的認可。當你貶低或破壞您的價值時，就等於貶低或破壞整個行業在這個社會的價值。無論在什麼時候，自己都應該尊重自己的價值，而不能因為一時的困境而貶低和破壞了自己的價值，因為你的破壞之舉，將傷害到整個行業的價值乃至社會的規則。因為，唯有懂得尊重自己的價值的人，才能真正...