Unpaired Image Super-Resolution using Pseudo-Supervision【阅读笔记】

　　目前的SR任务都是将真实图像进行下采样得到成对数据集进行训练，这样的训练会造成与真实情况存在domain gap。因此本文针对这个问题提出了用不成对的数据进行一种伪监督训练。感觉本质上就是通过CycleGAN学到HR图像y到LR图像x的映射，但此时得到y对应的LR图像与实际的x不是一样的，因此称为是“伪（pseudo）”的。用这样生成的伪数据对训练SR网络。

　　目前用GAN来进行不成对SR的方法有两种类型：Direct的方法直接用学习从LR到HR的映射，这种方法的缺点是非常重要的pixel-wise loss没办法使用；Undirect方法学习从HR到LR的一个映射，之后用生成的LR图像训练SR网络，这种方法的缺点是生成的LR分布和真实分布之间会造成train-test discrepency。

 

　　在这篇文章里，用一个CycleGAN学习HR对应的LR图像，并和真实的LR图像一起训练SR网络。并且引入了针对$U_{Y\downarrow Y}\circ G_{XY\downarrow}(x)}$的discriminator，使上采样模块可以尽量接近真实图像的上采样结果。

 

 　　个人感觉这个方法的一个问题是模型结构，loss都太复杂了....