idea
这是2018年PIRM-SR challenge的优胜方案，主要是为了提高SR任务里的感知质量，论文的核心contribution可以归纳为以下几个点：
1.首先论文引入了密集残差连接模块，该模块去掉BN层，从而方便网络进行学习。
2.其次论文里使用了relative GAN代替了一般的GAN，有利于恢复更多的纹理细节。
3.论文的VGG loss 是在激活函数层之前的，可以恢复更多的细节。
4.最后是对RSNR的模型和GAN的模型进行参数混合，从而获得具有不同感知程度的模型。
下面依次介绍这几个contribution:
Network Architecture
首先是对生成网络的改进，这里做了两个点：首先是去除了BN层，BN层在low level问题里会损害网络的性能，因为它会把一个batch的均值和方差当成每一个图片的均值和方差，从而导致结果有artifacts。另外一个改进点是提出了一个残差密集连接模块在网络里，可以结合多次层的特征，两个改进的示意图如下所示：
此外，网络还对残差进行放缩，给每个残差乘上一个0到1之间的数去防止不稳定；以及将初始化时的方差去降低训练的难度。
Relativistic Discriminator
其次网络引入relative GAN，这个结构和一般的GAN相比，其是获得真实的图片相对于fake的图片更加真实的概率，也就是说通过其不仅可以增加fake图片真实的概率，还可以减少真实图片不真实的概率，这个GAN的示意图如下所示：
判别器和生成器的loss分别表示如下：
优点是可以从生成数据和真实数据对抗的gradient中获得学习。
Perceptual Loss
这里的perceptual loss是基于VGG网络的feature loss，当然这里论文使用了激活函数之前的层作为feature loss的差别，这是因为：1.激活之后的feature变得非常sparse,从而不利于监督学习；2.激活后的feature会导致生成图像和真实图像之间的亮度出现不一致。激活前后的feature表现如下图所示：
所以最终的loss公式为：
Network Interpolation
这里先预训练一个基于PSNR的网络然后再加上GAN进行fine tune，对于这两个模型，进行参数插值，从而获得具有不同感知程度的模型，参数表示为:
这里的$\alpha$是插值系数，在【0，1】之间，使用最后这个方法有两个好处，首先是对于任意插值系数都可以避免artifatcs，其次是可以获得不同的感知质量而不用重新训练。而如果使用生成图像插值的方法，则会产生artifatcs。
Experiments
论文提出的方法可以产生更加真实的细节，一个例子如下所示，其余内容不再阐述：
