SRGAN简记

本文主要是介绍SRGAN简记，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

SRGAN简记

• 它是第一个能够推断4×放大因子的照片真实自然图像的框架
• 作者将GAN的思想用于SR任务，虽然PSNR还比不上此前提出的方式，但是在MOS这一评价维度上达到了state-of-the-art
• 作者的贡献是：
  • 提出了SRResNet（SRCNN的增强版）
  • 提出了SRGAN（主要内容，引入GAN来做超分）
  • 引入MOS评价指标，并说明PSNR的一些问题（图像过于平滑，缺少高频细节信息，所谓高频即在频域中频率较高的部分，通常认为这部分用于保存图像细节信息）

参考

• pytorch代码
• 原文

模型结构

• GAN分为Generator和Discriminator两个部分，其中Generator用于图像超分，Discriminator用于判定超分图和原图
  

LOSS定义

• 整体的LOSS分为两个部分，分别是Content Loss 和adversarial loss，
• 

Content Loss

• 内容损失loss，此前用的一般是MSE，这种LOSS拥有比较好的PSNR（峰值信噪比），但是通常来说回丢失高频信息，导致图像过于平滑（一般我们认为图像中的细节信息大部分存在高频部分），因此作者由欧几里得距离提出了$I_X^{SR}$，如下所示
• 
• 其中X替代为VGG（意思是Backbone用的VGG，可替换），${\varphi }_{i,j}表示第i_{th}个maxpool之前的第j_{th}个convlotion$，然后H和W表示feature map的空间维度。

Adversarial loss

• 为对抗loss，是生成器和检测器之间的loss，类似交叉熵但好像并不是，这里由于我们希望生成器的结果被检测器误认为是nature的图片，所以希望最小化检测器认为是生成器生成的概率（也就是使得D的结果趋向于1）
• 

实验

• 有关于MOS的结果，SR GAN在Set5和Set14数据集上的MOS分数均比SRResNet（可以看作SR CNN的增强版）高不少

• 

• MOS评级分布，可以看到SRResNet高于此前的方法，而SRGAN又超过了SRResnet。

• 

这篇关于SRGAN简记的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---