超分辨率问题的病态性质，如果采取特别高的放大率，在重构的超分辨率图像中往往会缺少纹理的详细内容。 监督SR算法的优化目标函数通常能够获取重构的高分辨率图像与地面真实值之间的均方误差，在减少均方误差的同时增大峰值信噪比(PSNR )，PSNR是评估和比较SR算法的常用指标。 但是，MSE和PSNR值的高低不能很好地表现视觉效果的好坏。 如Figture2所示，PSNR最高并未反映最佳的视觉SR效果。
SRGAN使用了组合了跳跃连接(skip-connection )的深残差网络(ResNet )。 我们利用VGG网络的高层特征映射定义了新的感知损失。 该损失使用判别器，在视觉上尽量使所生成的高分辨率图像和地面的真实值相似。
生成器看到的目标是如下充电，判别器的目标是明确真伪。在生成器的前6层网络中，使用了残差块，为什么要使用残差块？ 从上图可以看出，损耗函数从判别器开始反向传播会生成器时，实际上来了很多层，越深的网络隐藏参数越多，在反向传播过程中越容易梯度分散。 另外，残差连接的方法有效地保证了梯度信息的有效传递，提高对网络的鲁棒性
网络SRGAN的最大贡献是使用生成对抗网络(Generative adversarial network )训练SRResNet，使生成的HR图像看起来更自然，有更好的视觉效果(SSR
通俗地说，GAN想完成的工作，在原文中不胜枚举：
g网是印刷假币的人，d网是检测假币的人。 g的工作是让自己印的假币尽量欺骗d，d是尽量分辨自己收到的纸币是银行真票还是g印的假币。
一开始，g技术只是关闭。 d可以指出这张假币哪里是假的。 g每次失败都会认真总结经验，努力提高自己，每次都会进步。 直到最后，d都无法判断纸币的真伪……
SRGAN的工作是：
根据g网上的低分辨率图像生成高分辨率图像，判断从d网取得的图像是根据g网生成的还是数据库中的原图像。 如果g网成功欺骗了d网，我们就能在这个GAN上取得超分。
首先，介绍作者为什么要采用GAN训练SRResNet。 目前，监测SR效应的算法(损耗函数)的优化目标是最小化恢复后的HR图像和ground truth之间的均方误差(MSE )，因此味增可以得到高峰信噪比) PSNR，这也起到了SR算法的效果然而，由于PSNR是基于像素级图像(pixel-wise image )差异定义的，因此PSNR捕获与人类感觉非常紧密的差异(纹理细节)的能力非常有限，并且最好的PSNR不一定是人类感觉上的最佳
作者选择的是基于VGG的内容丢失。 基于预训练的19层VGG网络的ReLU激活层定义损耗函数。 这一部分的理论来源于题为《verydeepconvolutionalnetworksforlarge-scaleimagerecognition》的论文。 在这篇论文中，作者制作了从VGG19网络提取的特征图之间的欧式距离的损失函数，无论是超分辨率还是艺术风格的转移都很有效。 SRGAN的作者将其直接用作损失函数的一部分。
这是因为，通过将MSE最小化而引起的损失函数能够得到高PSNR，但是高倍率下的视觉效果不好。 因此，作者选择的是基于VGG的内容丢失。 基于预训练的19层VGG网络的ReLU激活层定义损耗函数。
作者的主要创新点是放弃MSE，用基于VGG的内容丢失定义损失函数。 另外，通过使用GAN对抗网络识别自然HR图像和重构的HR图像，并将该网络分类后的结果引入到生成网络的损耗函数中，可以在视觉上使训练结果接近自然HR图像。 这是因为峰值信噪比降低，但倍率越大，不平滑时PSNR越低。 但是，在视觉上是最现实的。 因为如果太光滑，图像中物体的边缘看起来会模糊。