2020 cvpr，motivation是，使用监督的方法恢复和学习到图像的band表示，然后借助band表示去进行无监督训练获得较高感知质量的图像。换言之，就是借助监督学习去获得有利于重建高质量图像的特征，通过这个特征作为中间变量，辅助无监督的训练，因为直接进行无监督的训练，很难获得具有较高质量的图像（一些具体的细节和噪声处理的不到位）。整体结构如下图所示:
从上图也可以看出不同的band构建是基于尺度构建的，较小的band在特征层面上引导较大的band进行恢复，同时整个学习过程也是递进式的，即除了第一个层级，后面层级的band恢复不仅依赖当前的band，还依赖于之前层级里相同level的band，这样除了第一层外后面每层对应得到band特征的地方实际上学习的是残差（这样可以减少学习难度）。每个层级（除了第一层）的输入是原始输入和上一层级最大band在一起的输入。最后通过GT在不同层级的采样作为label，引导不同尺度band的恢复,loss如下：
在band恢复后就可以用不配对的高质量图像进行无监督训练了，将不同大小的band expand的到相同大小，然后除了原来最小的那个band以外分别做残差，作为w map生成网络的输入，然后w map和这部分输入相乘，得到恢复的图像，该部分输入如下所示:
总而言之，还是通过监督学习去噪和恢复细节，再使用无监督学习进行调整，使用band作为中间媒介进行引导。但是论文没有进行参数量和速度上的对比，这点有点令人confuse。