LSRGAN论文理解

Optimizing Generative Adversarial Networks for Image Super Resolution via Latent Space Regularization

优化生成对抗网络的图像超分辨率潜在的空间正则化
问题
自然图像可以被认为是居住在一个流形内嵌在一个更高维的欧几里得空间。生成对抗网络(GANs)试图学习真实图像在流形中的分布，以生成看起来真实的样本。但现有方法的结果仍然显示出许多令人不快的伪影和失真
办法
我们明确地应用了Lipschitz连续性条件(LCC)来正则化GAN。该编码网络将图像空间映射到一个新的最优潜在空间，并利用该编码网络扩展GAN作为耦合分量。在发电机损耗函数中，LCC也被转化为新的正则项，以增强局部不变性。GAN与编码网络一起优化，试图使生成器收敛到一个更理想、更解纠缠的映射，从而生成更忠实于目标图像的样本。
我们提出了潜空间正则化(LSR)和基于LSR的遗传算法(LSRGANs)，并将它们应用到SISR问题中进行了验证。