$emsp; 简要看一下NTIRE的部分方法，对部分靠前的方法简要放在下面:
NTIRE 2020 Challenge on Perceptual Extreme Super-Resolution:Methods and Results
OPPO-Research
结构如下，使用Res in res的残差结构进行级联，先使用L2进行预训练，然后使用ESRGAN的loss继续训练，感觉效果可能是通过怼参数量提上去的，结构如下图所示:
CIPLAB
结构如下，没有什么太特别的，这里loss上使用LPIPS loss，这个指标是18年cvpr的一个perceptual分数指标，更加符合人的肉眼感受，同时使用discriminator的feature matching loss，最后判别器还是U-Net形式的，从而在per-pixel程度上对生成器进行梯度回传。同时保证整体质量:
HiImageTeam
使用VGG loss和GAN loss，网络看起来是一个coarse to fine的结构，直接看图:
ECNU
使用类似于res in res的adaptive式的结构，先使用一个预训练的SR模型得到x16的SR结果，然后使用下面的网络结构结合ESRGAN的loss进行训练:
NTIRE 2020 Challenge on Real-World Image Super-Resolution:Methods and Results
Impressionism
整体结构如下，首先使用bicubic对原始图像LR进行下采样，获得干净的LR，排除掉噪声，然后使用kernelGAN作用在这干净的LR上，获得kernel,将这些kernel作用在原始的HR上，进行下采样，并获得原始LR的噪声patch，放在kernel作用之后的结果上，从而得到与原始HR配对的LR-HR对，并使用ESRGAN进行训练（这里有一点不合理的地方是kernelGAN是image specific的，用某个图像估出来的核作用在其他图像实际上是一种数据增强，换言之使用一个随机仿真的高斯核也能达到较好的效果，下面的第三名就是这么弄的）
AITA-Noah
使用一种cycleSR进行训练，如下图所示，在cycleGAN之后使用一个SR网络，然后一起训练，这样可以减小色偏等带来的影响。最后网络基于ESRGAN，loss使用LPIPS和NIQE作为优化目标：
Samsung-SLSI-MSL
使用特定分布的噪声和模糊化降采样HR图像，和第一名的非常像，然后使用RCAN结合两种GAN进行训练，整体如下所示:
NTIRE 2020 Challenge on Real Image Denoising:Dataset, Methods and Results
第一名是用DWT和IDWT结合NAS使用类似于RCAN的结构做的，第二名也是使用NAS做的，第三名使用的网络结构分别如下所示:
NTIRE 2020 Challenge on Image Demoireing: Methods and Results
HaiYun team
结构如下图所示，在频率域上进行图像恢复，使用global context模块获得捕获全局关系，最后使用coral loss减少训练家和测试集之间的domain gap：
OIerM team
结构如下，使用两个stage的方式，不多说:
Alpha team
使用mutiscale和特征提取重建模块进行图像重建，特别的，这里使用EACB模块，是基于ACB卷积而来，如下图所示:
