超分辨率重构SRGAN

1.网络原理图

2.损失计算

感知损失函数由内容损失函数+对抗损失函数组成，SR代表超分辨率，LR代表低分辨率，HR代表高分辨率。 

2.1.内容损失

像素级别的MSE损失计算如下：

虽然该损失能够有极高的峰值信噪比，但是通常缺乏高频内容，过于平滑。所以作者们基于VGG的RELU**层定义了VGG Loss Function。表示从VGG-19网络的第J层卷积（**后）的第i个最大池化层之前获取的特征图，然后我们将VGG损失定义为重构图像的特征表示与参考图像之间的欧式距离:

 

2.2.对抗损失

GAN的经典损失函数。D的函数是判断G生成的图像是否真实的概率分布。

D网络的损失=判定原图为“真”+判定生成图为“假”

G网络的损失=判定生成图为“真”+vgg损失（均方误差）+MSE损失（均方误差）

3网络结构

				输入	[1,96,96,3]
生成网络 SRGAN_g	卷积层	第一层	卷积	卷积核3*3@64 s=1	[1,96,96,64]
			**	Relu
	残差网络层	第一层	卷积	卷积核3*3@64 s=1	[1,96,96,64]
			标准化
			卷积	卷积核3*3@64 s=1	[1,96,96,64]
			标准化
		…>	…>	…>	…>
		第16层	卷积	卷积核3*3@64 s=1	[1,96,96,64]
			标准化
			卷积	卷积核3*3@64 s=1	[1,96,96,64]
			标准化
	残差网络层	第一层	卷积	卷积核3*3@64 s=1	[1,96,96,64]
			标准化
	卷积层		卷积	卷积核3*3@256 s=1	[1,96,96,256]
	上采样层	上采样层	SubpixelConv2d卷积		[1,192,192,256]
			**	Relu
	卷积层		卷积	卷积核3*3@256 s=1	[1,192,192,256]
	上采样层	上采样层	SubpixelConv2d卷积		[1,384,384,256]
			**	Relu
	卷积层		卷积	卷积核1*1@ 3 s=1	[1,384,384,3]
			**	tanh
				输出	[1,384,384,3]

					[1,384,384,3]
判别网络 SRGAN_d	卷积层	第一层	卷积	卷积核4*4@64 s=2	[1,192,192,64]
			**	LRelu
		第二层	卷积	卷积核4*4@ 128 s=2	[1,96,96,128]
			标准化
			**	LRelu
		第三层	卷积	卷积核4*4@ 256 s=2	[1,48,48,256]
			标准化
			**	LRelu
		第四层	卷积	卷积核4*4@ 512 s=2	[1,24,24,512]
			标准化
			**	LRelu
		第五层	卷积	卷积核4*4@ 1024 s=2	[1,12,12,1024]
			标准化
			**	LRelu
		第六层	卷积	卷积核4*4 @ 2048 s=2	[1,6,6,2048]
			标准化
			**	LRelu
		第七层	卷积	卷积核1*1 @ 1024 s=1	[1,6,6,1024]
			标准化
			**	LRelu
		第八层	卷积	卷积核1*1 @ 512 s=1	[1,6,6,512]
			标准化
			**	LRelu
	残差网络层	一层	卷积	卷积核1*1 @ 128 s=1	[1,6,6,128]
			标准化
			**	LRelu
			卷积	卷积核3*3 @ 128 s=1	[1,6,6,128]
			标准化
			**	LRelu
			卷积	卷积核3*3 @ 512 s=1	[1,6,6,512]
			标准化
	**		**	LRelu	[1,6,6,512]
	全连接层			1	1
	**		**	sigmoid	1