简介
文章首次提出将生成对抗网络（Generative Adversarial Network, GAN）用于解决超分辨率（Super Resolution, SR）问题。文章提到将均方差作为内容损失（Content Loss）虽然能够获得较高的峰值信噪比（PSNR），但同时也会导致缺失高频细节。由此，作者提出采用感知损失（Perceptual Loss）和对抗损失（Adversatial Loss）使得生成的图片和目标图片在语义和风格上更相似，虽然PSNR值并没有经过Bicubic或SRResNet生成的图片高，但是提高了生成图片的视觉感受。
模型
SRGAN的网络结构如下图所示：
在生成网络部分(SRResNet)部分包含多个残差块，每个残差块中包含两个3×3的卷积层，卷积层后接批规范化层(batch normalization, BN)和PReLU作为激活函数，两个2×亚像素卷积层(sub-pixel convolution layers)被用来增大特征尺寸。在判别网络部分包含8个卷积层，随着网络层数加深，特征个数不断增加，特征尺寸不断减小，选取激活函数为LeakyReLU，最终通过两个全连接层和最终的sigmoid激活函数得到预测为自然图像的概率。
结论
文章中的实验结果表明，用基于均方误差的损失函数训练的SRResNet，得到了结果具有很高的峰值信噪比，但是会丢失一些高频部分细节，图像比较平滑。而SRGAN得到的结果则有更好的视觉效果。其中，又对内容损失分别设置成基于均方误差、基于VGG模型低层特征和基于VGG模型高层特征三种情况作了比较，在基于均方误差的时候表现最差，基于VGG模型高层特征比基于VGG模型低层特征的内容损失能生成更好的纹理细节。