标签：9.30 总结 函数 loss 问题 采样 LR 图像 ZSSR

1、ZSSR需不需要单独训练各种尺度

不需要。因为网络在测试时进行训练，即，对于每一张测试图像，都会训练CNN网络，同时利用这个网络得到重构图像。其train+test时间与sot A监督CNN的测试运行时间相当。

2、ZSSR的实验部分搞明白

实验分为两大类：（1）理想情况和（2）非理想情况。

（1）理想情况

即LR图像是由HR图像双三次下采样得到的。

（2）非理想情况

真实的LR图像往往无法理想地生成。这又分为两种情况：①非双三次核和②低质量图像（带有噪声、伪影）

①使用随机高斯核对HR下采样得到LR图像，创建出一个新的测试数据集。因此，每个LR图像都是由不同的随机核下采样得到的。考虑了两种应用ZSSR的情况：

1. 用Blind-SR估计下采样核，并提供给ZSSR。（对于外部监督的Sot A SR方法，在测试时提供估计的下采样核是没用的）
2. 将ZSSR与用于创建LR的真正下采样核一起用

3、SFTGAN中优化目标和损失函数的联系，分别是干什么的

目标函数，损失函数和代价函数

损失函数用来衡量拟合的程度；优化目标（目标函数）是要尽量最小化（或最大化，例如对抗网络中的判别器就需要最大化损失）这个损失。优化目标中一般会有一个正则项，使得模型不要过拟合。

 perceptual loss：

将真实图片的feature与生成图片的feature作比较，使得高层信息（内容和全局结构）接近，也就是感知的意思。

以往的代价函数使重建结果有较高的PSNR，但是缺少了高频信息，perceptual loss能够使生成图像的高频信息更接近真实图像的高频信息，以生成更加真实的图像。

参考链接

 adversarial loss：

标签：9.30,总结,函数,loss,问题,采样,LR,图像,ZSSR
来源： https://blog.csdn.net/M_Y_Y_/article/details/120594835

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。