SRGAN 和 ESRGAN

SRGAN：cvpr2017第一篇GAN做超分

#论文地址：https://arxiv.org/pdf/1609.04802.pdf

highest PSNR does not necessarily reflect the perceptually better SR result

网络结构 生成器使用 SRResNet

1、提出了感知损失：  content loss = mse loss +vgg loss

2、Mean opinion score (MOS) testing： 26个受访者对图像评分1~5（坏~好），NN（near neighbour）评为1 ， HR评为5是基本一致的

 

ESRGAN：eccv2018 workshop

#论文地址：

参考：https://www.cnblogs.com/carsonzhu/p/10967369.html

1、网络结构：去掉BN，使用RIR denseblock

2、判别器：使用了relativistic GAN

3、感知损失 ，vggloss的特征使用激活函数前的特征；因为relu后特征稀疏，监督信息少；还有亮度变化

网络插值:

mse训练得到的模型1 和gan方法训练得到的模型2，两个模型的参数经过一个权重进行融合