2019 ICCV做SR的一篇oral，针对SR里PD trade-off做出的改进，工作的根本是融合了P/D网络里分别有用的部分进行融合，所以达到了PD上的SOTA，网络融合在今年的low level任务里还是比较火的，后面一两年可能会逐渐迁移到去噪、去雨等等任务里。
论文的出发点是获得更好的PD trade模型，首先根据以往的SR方法，观察到生成SR的低频部分作用在和GT的客观指标PSNR相近，而高频部分对应于和GT的主观相近。该部分结果如下所示:
作者还做了验证性实验验证里这一点。这样，论文的方案就是将图像进行频率域分解，将P高的图片和PSNR高的图片各自分解成高低频部分，并对各部分分别处理，其中对于PSNR高的图片，获得其低频部分（对应于PSNR高的区域），进行进一步增强（下图的LSE网络），对于高频部分，则是使用style transfer的思路，将P高的图片高频迁移到PSNR高的图片的高频（下图的WDST网络），该部分包括style loss和VGG loss,L1 norm loss。最后通过一个IWST将各个部分组合起来，获得输出图像（好奇不加整体的一致性约束，直接组合好嘛。。。）
实验结果就不贴了，可以看看论文，论文分析问题的思路还是非常值得借鉴的。