|
超分辨率 GAN 应用深度网络与对抗网络相结合来生成更高分辨率的图像。 如上所示，与没有 GAN 的类似设计（SRResNet）相比，SRGAN 对具有更多细节的人类更具吸引力。 在训练期间，高分辨率图像 (HR) 被下采样为低分辨率图像 (LR)。 GAN 生成器将 LR 图像上采样为超分辨率图像 (SR)。 我们使用鉴别器来区分 HR 图像并反向传播 GAN 损失来训练鉴别器和生成器。
下面是生成器和鉴别器的网络设计。 它主要由卷积层、batch normalization和参数化 ReLU (PReU) 组成。 生成器还实现了类似于 ResNet 的skip连接。 带有“k3n64s1”的卷积层代表 3x3 卷积核，输出 64 个通道，步长为 1。
损失函数 生成器的损失函数由内容损失（重建损失）和对抗性损失组成。
对抗性损失定义为：
我们可以使用 HR 和 SR 图像之间的均方误差 (MSE) 按像素计算内容损失。 然而，虽然它在数学上确定了距离，但我们不一定对它感兴趣。 SRGAN 使用感知损失测量 VGG-19 网络提取的特征的 MSE。 对于 VGG-19 中的特定层，我们希望它们的特征匹配（特征的最小 MSE）。
为了训练鉴别器，损失函数使用经典的 GAN 鉴别器损失。
|
