首先看一下這篇文章的摘要
盡管利用CNN做圖像超分辨在速度和精度上都有了突破，然后關鍵的問題在於做高倍超分辨的時候恢復精細的紋理很有挑戰。當前的工作基本利用MSE做損失函數，但是產生的結果經常缺失高頻細節，感知效果不好。本文首次提出利用生成對抗網絡做高倍率超分辨，提出利用內容損失（perceptual loss) 和對抗損失(adversarial loss).
網絡結構：
其中：
SRResNet:就是只用生成器，損失函數是MSE loss或者VGG loss
SRGAN：用了生成器和判別器，損失函數用了perceptual loss,adversarial loss
損失函數：
定義了感知損失函數（Perceptual loss function）來訓練生成器：它是由內容損失和對抗損失的加權和。
內容損失(content loss):
(1) MSE
(2) 基於VGG
對抗損失（adversarial loss):
實驗結果：
以下是用不同的content loss做的試驗結果：
其中，
SRGAN-MSE表示對抗網絡中content loss只用MSE
SRGAN-VGG22表示（i=2, j=2)表示定義在low-level特征圖上的loss
SRGAN-VGG54表示(i = 5, j = 4)表示定義在high-level特征圖上的loss。
SRResNet-MSE表示只用生成器，沒有判別器（即不用adversarial loss),生成器的損失函數為MSE，簡記為SRResNet
SRResNet-VGG22表示只用生成器，沒有判別器（即不用adversarial loss),生成器的損失函數為VGG low-level特征圖上的loss。
從試驗結果可以看出，SRResNet的PSNR最高，而SRGAN的看着更真實。