Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network 

2016.10.23 

　　摘要：

　　Contributions： 

　　GANs 提供了强大的框架来产生高质量的 plausible-looking natural images。本文提供了一个 very deep ResNet architure，利用 GANs 的概念，来形成一个 perceptual loss function 来靠近 human perception 来做 photo-realistic SISR。

　　主要贡献在于：

　　1. 对于 image SR 来说，我们取得了新的顶尖效果，降低 4倍的分辨率，衡量标准为：PSNR 和 structure similarity （SSIM）。具体的来说，我们首先采用 fast feature learning in LR space and batch-normalization 来进行训练残差网络。

　　2. 提出了结合 content loss 和 adversarial loss 作为我们的 perceptual loss。

　　Method： 

　　首先是几个概念：

　　　　super solved image $I_{SR}$: W * H * C ; 　　low-resolution input image $I_{LR}$: rW * rH * C ; 　　high-resolution image $I_{HR}$ : rW * rH * C.  

　　我们的终极目标是：训练一个产生式函数 G 能够预测给定的输入图像 LR input image 的 HR 部分。我们达到这个目的，我们训练一个 generator network 作为一个 feed-forward CNN $G_{\theta_{G}}$ 参数为 $\theta_{G}$ ， 此处的 $\theta_{G} = {W_{1:L} ; b_{1:L}}$ 表示一个 L 层 deep network 的 weights 和 biases，并且是通过优化一个 SR-specific loss function $l^{SR}$ 得到的。对于一个给定的 训练图像 $I^{HR_{n}}$ ，n =  1,...,N 对应的低分辨率图像为：$I^{LR}_n$ ，我们优化下面这个问题：

　　1. Adversarial Network Architecture 

　　产生式对抗网络的训练学习目标是一个 minmax problem ：

　　作者也将图像超分辨看作是这么一个过程。通过 generator 产生一张超分辨图像，使得 discriminator 难以区分。

　　上图就是本文所涉及的大致流程。

　　2. Perceptual Loss Function 

　　本文所设计的感知损失函数 是本文算法性能的保证。

论文阅读之：Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network