全文翻译： https://blog.csdn.net/weixin _ 42113955/article/details/89001989
和https://blog.csdn.net/c2a2o2/article/details/78930865
1.
ptrain是真正的HR图像，也就是data预测的内容。
pG是生成的超分辨率图像
优点是，固定g，maxv(g，d )表示PG和Pdata的区别。 然后，请寻找最高的g，使该最大值最小，即使两个分布的差异最小。
2 .训练G:使用两个卷积层，小33核和64个特征映射，然后使用批量标准化层[32]和参数化relu [ 28 ]作为激活函数。 我们使用Shi等人提出的两个训练过的亚像素卷积层来提高输入图像的分辨率。
D: LeakyReLU激活(=0:2)避免在整个网络上实现最大池化。 为了解决式2的最大化问题，训练识别器网络。 它包括8个渐进层，其中33滤波器核心数增加，从VGG网络的64个到512个核心增加了两倍。 每当特征数量增加一倍时，使用条纹卷积降低图像分辨率。 得到的512个特征图后有两个密集层和最终的s形激活函数，得到样本分类的概率
3 .丢失函数
4 .为了比较实验widelyusedbenchmarkdatasetsset 5、Set14 and BSD100、the testing set of BSD300四倍的放大倍数公正性，所有PSNR[dB]和SSIM都是企业级的350选择thousandimagesfromtheimagenetdatabasecontentloss对如何处理培训集尤为重要。 使用以下采样系数r=4的bicubic kernel。 为每个mini-batch切出16个不同训练图像的96*96个子图(随机)，用Adam进行优化，在学习率=0.0001和10的6次方次更新反复中将SRResNet networks作为实际的GAN 所有SRGAN变量更新10^5次迭代训练(学习率=0.0001 )，并进行学习率=0.00001、迭代次数10^5的训练。 我们交替更新生成器和判别器网络，相当于Goodfellow等人使用的k=1。 我们的生成器网络有16个相同的残差块(我们的turn batch-normalization off得到确定仅依赖输入的输出)。 实现基于Theano and Lasagne。 注意，我们可以把生成器模型应用于任意大小的图像。 因为那是全卷积。 5 .结论内容丢失的发展.内容丢失