深度学习系列48：超分模型Real-ESRGAN

1. 模型介绍

1.1 退化模型

首先训练数据使用了2个first-order：

最后一步加入了振铃和过冲现象：

1.2 SRCNN

将CNN用到超分领域的第一篇文章：

论文中卷积核和通道数的实验设置为：

1.3 SRGAN

SRGAN将GAN引入超分领域，用于解决如下问题：
1）高频细节(high-frequency details) 的丢失，整体图像过于平滑/模糊；
2）与人的视觉感知不一致，超分图像的精确性与人的期望不匹配（人可能更关注前景，而对背景清晰度要求不高）。

提出如下改进：

• 新的backbone：SRResNet；
• GAN-based network 及 新的损失函数：
• adversarial loss：提升真实感(photo-realistic natural images)；
• conte