ESGAN的理解

全文翻译：https://blog.youkuaiyun.com/weixin_41018348/article/details/82899210
https://blog.youkuaiyun.com/qq_36556893/article/details/86418149?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase
首先，我们通过引入密集残差块（RDDB）来提升模型的结构，使之具有更大的容量和更易于训练。我们去除了批量归一化（BN）层在，使用了残差缩放（residual scaling），并且初始化较小来促进训练一个深网络。
第二，我们提出了辨别器使用相对平均GAN（RaGAN），相对平均GAN学习判断“是否一个图像相比于另一个更真实”而不是“是否一个图像是真或假”。我们的实验展示了，这个改进有助于生成器恢复更真实的纹理细节。
第三，我们在SRGAN提出了一个改进，即感知损失，通过在VGG特征前激活，而不是在VGG特征之前激活。
训练更深的网络可以从更大的补丁大小中受益，因为扩大的感受野有助于捕获更多的语义信息。