17、深度学习图像技术：从超分辨率到对抗样本

深度学习图像技术：从超分辨率到对抗样本

超分辨率基础

在超分辨率领域，虽然按像素计算损失很有意义，但许多成功的超分辨率网络采用了增强损失函数，这些函数试图捕捉生成图像与原始图像的相似程度，在纹理和内容损失等方面容忍像素损失以获得更好的性能。

我们可以通过添加转置卷积来实现图像的上采样。例如：

self.upsample = nn.Sequential(
    nn.ConvTranspose2d(3, 3, kernel_size=2, stride=2),
    nn.ReLU(inplace=True)
)

运行上述代码，输出张量的大小将是输入的两倍。如果有对应大小的真实图像作为标签，就可以训练网络将大小为 x 的图像转换为大小为 2x 的图像。

实际操作中，我们通常会先将图像放大两倍，再添加一个标准卷积层，如下所示：

self.upsample = nn.Sequential(
    nn.ConvTranspose2d(3, 3, kernel_size=2, stride=2),
    nn.ReLU(inplace=True),
    nn.Conv2d(3, 3, kernel_size=2, stride=2),
    nn.ReLU(inplace=True)
)

这样做的原因是转置卷积在放大图像时容易产生锯齿和莫尔图案。先放大两倍再缩小到所需大小，有望为网络提供足够的信息来消除这些问题，使输出看起来更真实。 </