使用生成对抗网络的照片真实单图像超分辨率（SRGAN）
文章系做实验时所需，翻译
文章目录
使用生成对抗网络的照片真实单图像超分辨率（SRGAN）摘要一、前言二、贡献三、特点总结摘要
提出基于优化的超分辨率方法的行为主要由目标函数的选择驱动，工作主要集中在最小化均方重建误差。所得到的估计值具有较高的峰值信噪比，但它们通常缺乏高频细节，并且在感觉上不令人满意，因为它们无法匹配较高分辨率下的预期保真度。文章提出SRGAN，一种用于图像超分辨率（SR）的生成对抗网络（GAN）。提出了一个感知损失函数，它由对抗性损失和内容损失组成。对抗性损失将我们的解决方案推向自然图像流形，使用经过训练的鉴别器网络来区分超分辨率图像和原始照片逼真图像。一项广泛的平均意见得分（MOS）测试显示，SRGAN在感知质量方面取得了巨大的进步。使用SRGAN获得的MOS分数比使用任何最先进的方法获得的MOS得分更接近原始高分辨率图像的MOS分数。
一、前言
引出sr算法，提出算法大多是基于mse、mae这种逐像素损失。最小化MSE也最大化了峰值信噪比（PSNR），这是用于评估和比较SR算法的常用度量。然而，MSE（和PSNR）捕获感知相关差异（如高纹理细节）的能力非常有限，因为它们是基于逐像素图像差异定义的。最高PSNR不一定反映感知上更好的SR结果。
提出了一种超分辨率生成对抗网络（SRGAN），为此，我们采用了具有跳跃连接的深度残差网络（ResNet），并将MSE作为唯一的优化目标。与之前的工作不同，我们使用VGG网络的高级特征图[49，33，5]结合鉴别器定义了一种新的感知损失，该鉴别器鼓励在感知上难以与HR参考图像区分的解决方案。图1显示了一个使用4倍放大因子进行超分辨率处理的示例照片真实图像。
二、贡献
主要贡献是：
用针对MSE优化的16块深度ResNet（SRResNet），通过PSNR和结构相似性（SSIM）测量，为图像SR设置了一个新的技术状态，具有高上尺度因子（4×）。
提出了SRGAN，它是针对新的感知损失而优化的基于GAN的网络。在这里，我们将基于MSE的内容损失替换为基于VGG网络的特征图计算的损失，其对像素空间的变化更具不变性。
对来自三个公共基准数据集的图像进行了广泛的平均意见得分（MOS）测试，证实了SRGAN在很大程度上是最新的技术状态，用于估计具有高放大因子（4×）的照片逼真的SR图像。
三、特点
平均意见得分（MOS）测试
总结
原因：实验中遇到psnr值高，但是图像质量不高得情况，发现这篇论文讲解了原因。所以这里引用。这里的mos可以用，但是除非用专业人士给打分才有可信度。
