2022年3月19日 · 在本文中，我们提出了srgan，一种用于图像超分辨率（sr）的生成对抗网络（gan）。据我们所知，它是第一个能够推断4倍放大因子的照片般逼真的自然图像的框架。

In this paper, we present SRGAN, a generative adversarial network (GAN) for image super-resolution (SR). To our knowledge, it is the first framework capable of inferring photo-realistic natural images for 4x upscaling factors.

从SRGAN开始将GAN引入到超分领域中，后面的工作大多都加入GAN（简写为 GAN-SR）。 但是GAN本身有训练不稳定的情况，加入GAN不仅会生成丰富的细节，同时也会生成伪纹理（artifacts）。 artifacts直接影响人的视觉感受。 如何减少artifacts的生成是现在使用Gan的超分算法面临的一个基础问题。 SR是一个病态问题，只有 MSE 做损失生成的结果呈现模糊状态（中间灰框内），加入Gan loss网络将输出拉向真实高清数据分布上，但在高清流上有清晰的（黄框） …

超分辨率复原一直是计算机视觉领域一个十分热门的研究方向,在商业上也有着很大的用武之地,随着2014年goodflew那篇惊世骇俗的GAN发表出来,GAN伴随着CNN一起,可谓是乘风破浪,衍生出来琳琅满目的各种应用.

**SRGAN**（由 Christian Ledig 等人于 2017 年提出）开创性地将 **GAN**（Generative Adversarial Network）引入超分辨率，目标是生成更逼近真实视觉感受、更锐利的高分辨率图像。 SRGAN 的两个核心要素是： 1. **对抗损失（Adversarial Loss）**：通过判别器与

2016年9月15日 · In this paper, we present SRGAN, a generative adversarial network (GAN) for image super-resolution (SR). To our knowledge, it is the first framework capable of inferring photo-realistic natural images for 4x upscaling factors. To achieve this, we propose a perceptual loss function which consists of an adversarial loss and a content loss.

🔥 We have trained SRGAN on DIV2K dataset. 🔥 Download model weights as follows. 🚧Coming soon! Download weights file and put weights under the folder srgan/models/. Your directory structure should look like this: └── config.py. └── srgan.py. └── train.py. └── vgg.py. └── model. └── vgg19.npy. └── DIV2K. ├── DIV2K_train_HR. ├── DIV2K_train_LR_bicubic.

srgan通过利用生成对抗网络（gan）来实现单图像超分辨率重建。 传统的方法如基于均方误差（MSE）的优化通常会导致图像平滑且缺乏细节，而 SRGAN 通过引入感知损失函数（perceptual loss），使得重建的图像不仅在像素级别上更接近高分辨率图像，而且在感知质量上 ...

This is a complete Pytorch implementation of Christian Ledig et al: "Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network", reproducing their results.

srgan的核心思想是利用生成对抗网络(gan)的框架,通过对抗训练来生成高质量的超分辨率图像。 SRGAN由生成器网络和判别器网络两部分组成: 生成器网络: 接收低分辨率图像作为输入,通过深度卷积神经网络生成对应的高分辨率图像。