2019 ICCV的一篇oral，借鉴美学评价里的相对质量用在图像超分辨里作为loss，从而从可量化的角度优化SR的感知质量。论文主要是分成三个步骤，分别是获得排序的数据集，训练排序器ranker，和训练rankSRGAN。整体流程图如下所示:
论文的一个出发点是，ESRGAN并不是总比SRGAN的效果要好，所以可以使用一个ranker去挑选出两个方法里输出图片表现较好的那个，表现的评价指标是NIQE。因此借助这个ranker训练出来的模型结合了ESRGAN和SRGAN的长处，不得不说这个想法非常的有意思三个步骤分别如下:
首先是构建rank dataset，这里获得两个SR算法分别处理之后的结果，它们的label通过guality score获得，就是上面提到的一些感官指标。两张图送到rank评价器里之后获得分数s1、s2，因为要让ranker输出结果获得和输入图感知质量相同的排序而不是分数，这里令输出分数满足下面：
然后是构建ranker，如上面图里，其实是一个共享权重的双路网络，最后通过全连接输出分数，结构上没什么好说的。这里使用的loss是margin-ranking loss，表示为:
其中$\gamma$是label为1或者-1，自然的这里 $\gamma > 1$ 时，希望s1 < s2，反之亦然。ranker优化目标就是这个loss。
最后一步就是rankSRGAN，这里使用了之前SRGAN里的VGG loss和GAN的loss，同时还使用了上面的rank输出结果作为loss，这里对输出使用sigmoid归一化到0到1之间，值越小代表感知质量越好。
论文还增加了一步，就是认为ESRGAN的感知质量始终优于SRGAN，并训练一个ranker，然后说明这个ranker不如前面提到的ranker。详细见论文。
最后论文通过一系列的实验说明其在感知指标和PSNR上均优于SRGAN和ESRGAN。并且有较好的user study结果。