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。