EPSR论文理解

Analyzing Perception-Distortion Tradeoff using Enhanced Perceptual Super-resolution Network

https://github.com/subeeshvasu/2018_subeesh_epsr_eccvw
使用增强感知超分辨率网络分析感知失真权衡
问题：
最近的一项研究表明，扭曲和感知品质是不一致的，两者之间总是存在权衡。通常恢复算法在感知质量方面比较好，在失真度量方面比较差。
办法:
我们的工作试图分析的失真和感知质量之间的权衡问题，单一图像的SR
最先进的SR网络(EDSR)作为生成器模块，仔细选择损失函数损失函数平均平方误差损失，知觉损失和对抗损失的权值，并使用预先训练好的EDSR权值初始化GAN训练。
效果
EPSR在失真和感知质量之间实现了最先进的平衡，而现有的方法单独在这两种措施中都表现得很好

具体的方法

在没有批处理归一化的情况下，在每个剩余块上插入一个额外的剩余缩放层(乘以恒定的0.1比例因子)，以在数值上稳定训练过程。two pixel shuffler

训练和损失函数

一次生成器更新一次，判别器更新两次，为了训练2 3 用EDSR的与训练权重进行初始化。
数据集
800 images of DIV2K
patch-size：192
ADAM optimizer momentum of 0.9 and a batch size of 4.
300 epochs and the learning rate was initially set to 5e-5
a factor of 0.5 after 150 epochs
评价

区域比较法
两种baseline，改变MSEloss 和 adversary loss的权重
我们提出的模型EPSR参与了PIRM-SR挑战，其中的目标是比较感知SISR方法并对SR因子为4的方法进行排名。为了对每一种方法进行排序，在RMSE上通过lamda的阈值将感知失真平面划分为三个区域，三个区域中的MSE不一样。the root mean squared error RMSE的意思。

第一个实验：三个区域，每个区域中，获胜的算法被选择为感知质量最好的算法。这种区域比较的方法共同量化了算法的准确性和感知质量，因此，将使感知驱动的方法与目标PSNR最大化的算法进行公平的比较成为可能。

第二个实验：Bnet和EPSR进行对比，不同的lamda权重对比，也就是均衡对比