2020 CVPR一篇SR的工作，方法和cycleGAN有点像，同时学习将LR映射到HR和HR映射到LR这两个过程，不过这里是同时引入了成对的合成数据和没有GT的真实LR数据实现，可以看做是一种半监督学习方式（和去年那个semi-supervise rain removal有点像），论文主要的gain也是来自这个部分。另外通过学习SR图像映射回原来的LR图像，约束LR生成SR图像的过程，限制求解空间，一定程度上提升了泛化性。整体过程如下所示:
从LR生成SR和从SR退化成LR的算法流程如下:
其中P是LR映射到SR的过程，D是SR映射到LR的过程，$1_{S_p}$表示当输入图片不是仿真数据pair(也就是只有真实图片)，此项为0。通过对P和D进行迭代训练，达到优化的效果，P和D的网络如下所示:
其中黑线是P的过程，红线是D的过程，部分实验如下所示：
可以看出相对其他方法其主要增益来自于更多的训练数据，论文大幅度介绍的dual其实相对影响不大。虽然不是第一个用半监督做low level vision的，不过训练方法上还是有可以借鉴的地方，其他详情参考论文。