【论文阅读】SRGAN

学习资料

• 论文题目：基于生成对抗网络的照片级单幅图像超分辨率（Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network）
• 论文地址：https://arxiv.org/abs/1609.04802

• 代码：GitHub - xiph/daala: Modern video compression for the internetGitHub - jbhuang0604/SelfExSR: Single Image Super-Resolution from Transformed Self-Exemplars (CVPR 2015)http://cv.snu.ac.kr/research/DRCN/https://twitter.box.com/s/lcue6vlrd01ljkdtdkhmfvk7vtjhetogGitHub - david-gpu/srez: Image super-resolution through deep learning

1. WHY

现有方法的局限性

特点/优点：主要关注最小化均方重建误差（MSE）（目标函数）；能提高峰值信噪比（PSNR）（目标函数）

缺点：恢复的图像缺乏高频细节；在感知上不令人满意；无法匹配在更高分辨率下预期的保真度，尤其在大放大因子下问题更明显。

GAN 的优势及应用潜力

GAN 为生成具有高感知质量的逼真自然图像提供了框架，可使重建向自然图像流形移动，有潜力解决超分辨率问题中的感知质量不佳问题。

2. WHAT

问题设定

在单图像超分辨率（SISR）的任务中：

目标阐述

其目的在于依据低分辨率输入图像来估计出超分辨率图像。其中是其对应的高分辨率图像的低分辨率版本，高分辨率图像仅在训练期间提供。

低分辨率图像的来源

这里所提到的低分辨率输入图像（）是与之对应的高分辨率图像（）的低分辨率版本。并且，高分辨率图像仅在训练阶段才会被提供。

在训练过程中，低分辨率输入图像（）是通过以下方式获取的：

• 首先对高分辨率图像（）应用高斯滤波器。
• 接着进行具有特定降采样因子（）的降采样操作。（本文中）

图像的描述方式

对于具有个颜色通道的图像：

• 低分辨率输入图像（）用大小为来描述。
• 超分辨率图像（）则用来描述。

2.1. SRGAN