3、SRGAN
SRGAN论文链接：SRGAN
SRGAN（超分辨率生成对抗网络）是在2017年由Christian Ledig等人在论文《Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network》中提出的。该模型引入了基于GAN（生成对抗网络）的方法来解决单图像超分辨率（SISR）问题，即通过提高低分辨率图像的分辨率来生成高质量、逼真的结果。
SRGAN 的重要意义在于，它是最早将GAN应用于超分辨率任务的模型之一，通过生成高频细节，不仅关注像素的准确性，还实现了视觉效果上明显更好的提升，生成的图像更加逼真。
模型架
生成器 (Generator)
生成器的任务是将低分辨率（LR）的图像转化为高分辨率（HR）的图像。生成器采用深度卷积神经网络（CNN）进行设计，其架构包含以下主要部分：
- 卷积层（Convolutional Layers）：最初的几个卷积层负责从低分辨率图像中提取特征。
- 残差块（Residual Blocks）：生成器使用一系列残差块（ResNet架构中的一种），这些块允许信息流直接穿过网络，从而有效避免梯度消失问题，并帮助更好地捕捉图像的复杂特征。SRGAN 采用 16 个残差块。
- 子像素卷积层（Sub-pixel Convolution Layers）：通过子像素卷积层（即上采样层）将低分辨率图像逐步放大到目标的高分辨率。这种上采样方法能够更加高效地恢复图像的细节。
- 激活函数：SRGAN 中使用的激活函数是 Parametric ReLU（PReLU），可以通过自适应学习参数来控制激活值，从而提高生成器的表现。
判别器 (Discriminator)
判别器的任务是区分生成的高分辨率图像和真实的高分辨率图像。它的结构是一个标准的卷积神经网络，用来判断输入图像是否为真实图像。判别器的主要构造如下：
- 卷积层（Convolutional Layers）：逐层提取图像的特征，每层增加卷积核的数量，以便逐渐提升判别能力。
- Leaky ReLU 激活函数：在卷积层之间使用 Leaky ReLU 激活函数，允许小部分负值通过，从而避免信息丢失。
- 全连接层（Fully Connected Layer）：最后连接一个或多个全连接层，输出一个二元分类结果，表示图像是否为真实的高分辨率图像。
损失函数 (Loss Function)
SRGAN 的创新之处在于引入了感知损失（Perceptual Loss），这与传统的像素级损失（如 MSE）不同。感知损失通过 VGG 网络的高层特征来衡量生成图像与真实图像之间的差异，从而生成更加逼真的细节。
- 对抗损失（Adversarial Loss）：基于 GAN 的训练策略，生成器的目标是欺骗判别器，使其无法分辨生成图像和真实图像。
- 内容损失（Content Loss）：基于 VGG 网络中间层的感知损失，用于保留图像的结构和内容细节。
- 总损失：是感知损失和对抗损失的组合。
