开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

为什么我们在编译组合GAN (SRGAN)网络时使用两个损失

编译组合GAN (SRGAN)网络时使用两个损失的主要原因是为了实现更好的生成图像质量和细节增强效果。

第一个损失是生成器损失，通常采用均方差损失函数。生成器的目标是生成高分辨率的图像，使其尽可能接近于真实图像。均方差损失函数可以度量生成图像和真实图像之间的差异，促使生成器学习如何生成更真实、更清晰的图像。

第二个损失是感知损失，通常采用感知损失函数，如VGG网络提取的特征之间的差异。感知损失函数能够捕捉到图像的结构和内容，帮助生成器生成更具视觉感知质量的图像。它能够在一定程度上避免生成图像过度模糊或失真，同时增强图像的细节。

使用两个损失的组合可以平衡生成图像的质量和细节增强效果。生成器损失主要关注生成图像的整体质量，感知损失主要关注图像的细节和内容。通过联合使用这两个损失，可以使生成器学习到更好的图像生成能力，同时保持图像的细节和内容。

腾讯云提供的相关产品是AI Lab的图像处理能力，可以在云端使用AI模型进行图像处理和增强。具体产品介绍请参考：腾讯云AI Lab图像处理能力

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

【杂谈】那些底层的图像处理问题中，GAN能有什么作为？

图像在产生和传输过程中都会受到噪声的干扰，因此图像降噪是一个非常基础的问题，生成式模型GAN在捕捉噪声的分布上有天然的优势。

02

SRGAN超分辨率网络

由低清图像恢复的高清图像采用的是MSE(Mean Square Error)作为损失函数，该损失函数会造成恢复出来的图像高频信息不足，视觉感知不佳。

01

GAN、DCGAN、WGAN、SRGAN 演变与改进

来源：信息网络工程研究中心本文共1000字，建议阅读5分钟本文带你了解GAN、DCGAN、WGAN、SRGAN。 GAN 生成网络接收一个随机噪声，生成逼真图像; 判别网络接收一个图像，生成该图像是真实的概率（0～1）; GAN网络中存在两个不同的网络，训练方式采用的是对抗训练方式，其中G的梯度更新信息来自于判别器D，而不是来自数据样本。 GAN不适合处理离散形式的数据，比如文本。使用JS散度作为距离公式 DCGAN DCGAN（deep convolutional generative adversa

02

ESRGAN - Enhanced Super-Resolution Generative Adversarial Networks论文翻译——中文版

翻译论文汇总：https://github.com/SnailTyan/deep-learning-papers-translation

05

这些资源你肯定需要！超全的GAN PyTorch+Keras实现集合

选自GitHub 作者：eriklindernoren 机器之心编译参与：刘晓坤、思源、李泽南生成对抗网络一直是非常美妙且高效的方法，自 14 年 Ian Goodfellow 等人提出第一个生成对抗网络以来，各种变体和修正版如雨后春笋般出现，它们都有各自的特性和对应的优势。本文介绍了主流的生成对抗网络及其对应的 PyTorch 和 Keras 实现代码，希望对各位读者在 GAN 上的理解与实现有所帮助。 PyTorch 实现地址：https://github.com/eriklindernoren/

09

这些资源你肯定需要！超全的GAN PyTorch+Keras实现集合

生成对抗网络及其变体的实现分为基于 Keras 和基于 PyTorch 两个版本。它们都是按照原论文实现的，但模型架构并不一定完全和原论文相同，作者关注于实现这些论文最核心的思想，而并不确定所有层级的配置都和原论文完全一致。本文首先将介绍各种 GAN 的论文摘要，然后提供详细论文和实现的地址。

03

ESRGAN - Enhanced Super-Resolution Generative Adversarial Networks论文翻译——中英文对照

翻译论文汇总：https://github.com/SnailTyan/deep-learning-papers-translation

04

【AI】超分辨率经典论文复现(2)——2017年

这次是这周新复现的一些超分辨率相关的机器学习的东西, 所选文章是知乎帖子 [从SRCNN到EDSR，总结深度学习端到端超分辨率方法发展历程]https://zhuanlan.zhihu.com/p/31664818 整理而来(文末点击原文可以跳转), 顺序接着上篇【AI】超分辨率经典论文复现(1)——2016年. 本文4.7k字, 篇幅不长. 由于复现了这么多网络, 现在对这个领域也熟悉了起来, 接下来我还会继续复现别的网络但是不会再这样按照一篇文章的顺序来进行了, 而是对感兴趣的进行复现然后凑够一定数量就发一篇.

01

ESRGAN超分辨网络

研究目的：通过改进SRGAN（Super-Resolution Generative Adversarial Network）来提高视觉质量。

01

GAN的发展系列三（LapGAN、SRGAN）

一、 LapGAN 论文：《Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks》论文地址：https://arxiv.org/abs/1506.05751 1、基本思路 LapGAN是建立在GAN和CGAN的基础上，采用Laplacian Pyramid拉普拉斯金字塔的方式生成由粗到细的图像，从而生成高分辨率图像。在金字塔的每一层都是学习与相邻层的残差，通过不断堆叠CGAN得到最后的分辨率。CGAN我们在前面的文章介绍过就是在GAN的基础上加入了条件约束，来缓解原始GAN生成器生成样本过于自由的问题。原始GAN的公式为：

01

图像超分辨率重建算法，让模糊图像变清晰(附数据和代码)

图像分辨率是一组用于评估图像中蕴含细节信息丰富程度的性能参数，包括时间分辨率、空间分辨率及色阶分辨率等，体现了成像系统实际所能反映物体细节信息的能力。相较于低分辨率图像，高分辨率图像通常包含更大的像素密度、更丰富的纹理细节及更高的可信赖度。但在实际上情况中，受采集设备与环境、网络传输介质与带宽、图像退化模型本身等诸多因素的约束，我们通常并不能直接得到具有边缘锐化、无成块模糊的理想高分辨率图像。提升图像分辨率的最直接的做法是对采集系统中的光学硬件进行改进，但是由于制造工艺难以大幅改进并且制造成本十分高昂，因此物理上解决图像低分辨率问题往往代价太大。由此，从软件和算法的角度着手，实现图像超分辨率重建的技术成为了图像处理和计算机视觉等多个领域的热点研究课题。

05

让画面更逼真！这个强化超分辨率GAN让老游戏迎来第二春 | 代码+论文+游戏MOD

近期就有一群资深游戏玩家，用增强型超分辨率生成对抗网络（ESRGAN）做出了经典游戏的高清化MOD。

03

Photo-Realistic 论文翻译

翻译论文汇总：https://github.com/SnailTyan/deep-learning-papers-translation

01

Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network论文翻译——中英文对照

文章作者：Tyan 博客：noahsnail.com | CSDN | 简书

01

即插即用！视频超分中的涨点神器：iSeeBetter

CNN在大尺度上的超分往往缺乏精细的细节纹理，生成性对抗网络能够缓解这个问题。为此，本文提出了一种基于GAN的时空视频超分方法——iSeeBetter，亮点如下：结合了SR中的SOTA技术：使用循环反投影网络(RBPN)的作为其生成器，从当前帧和相邻帧中提取时空信息。使用SRGAN中的鉴别器，提高了超分辨率图像的“自然性”，减轻了传统算法中的伪影。优化了损失函数的架构：本文使用了四重损失函数（MSE、感知损失、对抗损失和全变差损失(TV)）来捕捉均方误差（MSE）可能无法捕捉到的图像中的精细细节，加强生成视频的感知质量。

02

中国香港中文大学-商汤联合实验室：ECCV2018 PIRM-SR 超分辨率比赛冠军：ESRGAN（论文+开源代码）

今天分享一篇ECCV 2018 Workshop：PIRM2018-SR competition (region 3) 超分辨率比赛的冠军方案，前不久论文刚刚发布，并且代码已经开源

02

【计算摄影】图像与视频超分辨，深度学习核心技术与展望

图像超分，就是要将低分辨率的图像恢复为高分辨率的图像，它在日常的图像和视频存储与浏览中都有广泛的应用，本次我们介绍基于深度学习的图像超分辨核心技术。

02

效果惊人：上古卷轴III等经典游戏也能使用超分辨率GAN重制了

图像超分辨率是指从观测到的低分辨率图像重建出相应的高分辨率图像，这种重建不仅指令图像变得清晰锐利，同时还表示模型需要利用图像的高级语义信息重建出丢失的信息。因此这实际上是一个比较困难的任务，不过目前基于卷积神经网络或生成对抗网络的方法还是有比较好的效果。

03

【CV】CVPR2020丨SPSR：基于梯度指导的结构保留超分辨率方法

授权转载自 | https://zhuanlan.zhihu.com/p/121721537

03

基于飞桨复现 SRGAN 模型，对图像进行超分辨率重构

SRGAN是一种用于图像超分辨率（SR）的生成对抗网络（GAN），能够推断四倍放大因子的照片般逼真的自然图像。

02

生成对抗网络项目：1~5

在本章中，我们将研究生成对抗网络（GAN）。它们是一种深度神经网络架构，它使用无监督的机器学习来生成数据。他们在 2014 年由 Ian Goodfellow，Yoshua Bengio 和 Aaron Courville 的论文中介绍，可在以下链接中找到。 GAN 具有许多应用，包括图像生成和药物开发。

02

效果惊人：上古卷轴III等经典游戏也能使用超分辨率GAN重制了

图像超分辨率是指从观测到的低分辨率图像重建出相应的高分辨率图像，这种重建不仅指令图像变得清晰锐利，同时还表示模型需要利用图像的高级语义信息重建出丢失的信息。因此这实际上是一个比较困难的任务，不过目前基于卷积神经网络或生成对抗网络的方法还是有比较好的效果。

04

基于GAN的图像水印去除器，效果堪比PS高手

简介：李翔，国内某互联网大厂AI民工，前携程酒店图像技术负责人，计算机视觉和深度学习重度爱好者，在ICCV和CVPR等会议上发表论文十余篇。

03

改善图像处理效果的五大生成对抗网络

在图像处理方面，机器学习实践者们正在逐渐转向借助生成对抗网络的力量，本文带你了解其中五种生成对抗网络，可根据自己的实际需求进行选型。

03

Tensorflow入门教程(二十八）——超分辨生成对抗网络（SRGAN）

前面的文章给大家分享了生成对抗网络来生成图像，初次见识到生成对抗网络的强大，我们期望可以用它来做更多的事情，今天我将用生成对抗网络来做超分辨成像。

01

CVPR2022 [盲图像超分] LDL: 消除GAN伪影，打造更实用盲图像超分方案

https://arxiv.org/pdf/2203.09195.pdf https://github.com/csjliang/LDL

04

从这个玩转图片水印的“神应用”，看懂生成对抗网络的前世今生

导读：当前互联网飞速发展，越来越多的公司、组织和个人都选择在网上展示和分享图像。为了保护图像版权，大家都会选择在图像上打上透明或者半透明的水印。随着水印被广泛地使用，针对水印的各种处理技术也在不断发展，如何有效去除图像上的水印引发了越来越多人的研究兴趣。

02

深度学习超分辨率重建（总结）[通俗易懂]

开山之作，三个卷积层，输入图像是低分辨率图像经过双三次(bicubic)插值和高分辨率一个尺寸后输入CNN。

02

大牛分享 | NTIRE 2018 图像超分辨率 CVPR Workshop优胜方案

本文属于大牛分享，这个主题是我今天想到的，其实也心念念了很久，该主题是行业里的研究者对所研究方向的一种阶段性总结。跟着大佬们学习，真的是听君一席话，甚至十年书，有点读综述文章的意思。

06

ICCV 2019 最佳论文《SinGAN：从单张自然图像学习生成式模型》中文全译

作者 | Tamar Rott Shaham Technion、Tali Dekel Google Research 、Tomer Michaeli Technion

03

Adobe提出新型超分辨率方法：用神经网络迁移参照图像纹理

论文：Image Super-Resolution by Neural Texture Transfer

02

SISR深度学习主要方法简述

01

ICCV 2019 最佳论文《SinGAN：从单张自然图像学习生成式模型》中文全译

作者 | Tamar Rott Shaham Technion、Tali Dekel Google Research 、Tomer Michaeli Technion

02

SinGAN: Learning a Generative Model from a Single Natural Image

我们介绍了SinGAN，这是一个无条件的生成模型，可以从单一的自然图像中学习。我们的模型经过训练，可以捕捉到图像中斑块的内部分布，然后能够生成高质量的、多样化的样本，这些样本承载着与图像相同的视觉内容。SinGAN包含一个完全卷积GAN的金字塔，每个负责学习图像不同比例的斑块分布。这允许生成任意大小和长宽比的新样本，这些样本具有显著的可变性，但同时保持训练图像的全局结构和精细纹理。与以前的单一图像GAN方案相比，我们的方法不限于纹理图像，也不是有条件的（即它从噪声中生成样本）。用户研究证实，生成的样本通常被混淆为真实的图像。我们说明了SinGAN在广泛的图像处理任务中的效用。

05

提高驾驶技术：用GAN去除(爱情)动作片中的马赛克和衣服

作者：達聞西量子位已获授权编辑发布作为一名久经片场的老司机，早就想写一些探讨驾驶技术的文章。这篇就介绍利用生成式对抗网络（GAN）的两个基本驾驶技能： 1) 去除(爱情)动作片中的马赛克 2)

06

基于深度学习的超分辨率重建

超分辨率技术（Super-Resolution）是指从观测到的低分辨率图像重建出相应的高分辨率图像，在监控设备、卫星图像和医学影像等领域都有重要的应用价值。SR可分为两类:从多张低分辨率图像重建出高分辨率图像和从单张低分辨率图像重建出高分辨率图像。基于深度学习的SR，主要是基于单张低分辨率的重建方法，即Single Image Super-Resolution (SISR)。

02

深度学习研究总结：生成对抗网络（附 3 篇 arXiv 最火论文）

【新智元导读】Yann LeCun曾说：“对抗训练是切片面包发明以来最令人激动的事情”。这篇文章中，作者回顾基于 Ian Goodfellow 在2014 年的开创性工作的 3篇论文。这3篇论文都是过去一年来在arXiv.org上讨论十分热烈的论文，包括Twitter Cortex团队几周前发表的论文。生成对抗网络概述我在此前的一篇博文（9 Deep Learning Papers You Should Know About）中简要地提到过Ian Goodfellow有关生成式对抗网络的论文。这些网络的

07

开发 | 自Ian Goodfellow之后，GANs还有哪些开拓性进展？

AI科技评论按：本文由作者Adit Deshpande总结，AI科技评论编译整理。Adit Deshpande目前是UCLA计算机科学专业生物信息学方向的大二学生。他热衷于将自己的机器学习和计算机视觉

07

【每周CV论文推荐】基于GAN的图像超分辨值得阅读的文章

欢迎来到《每周CV论文推荐》。在这个专栏里，还是本着有三AI一贯的原则，专注于让大家能够系统性完成学习，所以我们推荐的文章也必定是同一主题的。

02

SRCNN、DRCN、FSRCNN、ESPCN、SRGAN、RED…你都掌握了吗？一文总结超分辨率分析必备经典模型（一）

机器之心专栏本专栏由机器之心SOTA！模型资源站出品，每周日于机器之心公众号持续更新。本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务，并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA！模型资源站（sota.jiqizhixin.com）即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。本文将分 3 期进行连载，共介绍 16 个在超分辨率任务上曾取得 SOTA 的经典模型。第 1 期：SRCNN、DRCN、FSRCNN、ESPCN、SRGAN、RED 第

07

解读|基于多级神经纹理迁移的图像超分辨方法 (Adobe Research)

超分辨（Super-Resolution）图像恢复旨在从低分辨模糊图像中恢复出高分辨的清晰图像，是计算机视觉中的一个重要任务，在工业界有非常强的应用前景。CVPR是图像超分辨研究的集中地之一，光今年录用的超分辨及相关研究方向的论文就不下10篇。本文解读其中一篇由Adobe研究院为一作发表的超分辨研究方向的论文。可通过：1).原文arXiv链接 2).项目主页 3).代码github仓库获取论文相关资源。

03

GAN应用情况调研

在此之前呢，先推荐大家去读一下一篇新的文章LS-GAN（Loss-sensitive GAN）[1]。

02

图解自监督学习，人工智能蛋糕中最大的一块

如果人工智能是一块蛋糕，那么蛋糕的大部分是自监督学习，蛋糕上的糖衣是监督学习，蛋糕上的樱桃是强化学习。

03

CVPR 2019 论文解读 | 基于多级神经纹理迁移的图像超分辨方法 (Adobe Research)

以上解读为李文杰（社区昵称：@月本诚）在 AI研习社CVPR小组原创首发，我已经努力保证解读的观点正确、精准，但本人毕竟才学疏浅，文中若有不足之处欢迎大家批评指正。所有方法的解释权归原始论文作者所有。

02

Ian Goodfellow 生成对抗网络GAN论文解析

原文：Generative Adversarial Nets https://dzone.com/articles/generative-adversarial-nets-adit-deshpande-cs-unde 作者：Adit Deshpande 编译：KK4SBB 欢迎人工智能领域技术投稿、约稿、给文章纠错，请发送邮件至heyc@csdn.net Yann LeCun大神曾经说过，“对抗训练是近些年来机器学习领域中最炫酷的想法”。没错，对抗训练已经在深度学习的圈子里掀起了不小的涟漪。本文将介

04

基于深度学习的图像超分辨率重建技术的研究

图像分辨率是一组用于评估图像中蕴含细节信息丰富程度的性能参数，包括时间分辨率、空间分辨率及色阶分辨率等，体现了成像系统实际所能反映物体细节信息的能力。相较于低分辨率图像，高分辨率图像通常包含更大的像素密度、更丰富的纹理细节及更高的可信赖度。

01

CUGAN=CResMD+GAN | 为进一步提升调制图像复原视觉质量，先进院董超团队提出集成CResMD与GAN的CUGAN

调制图像复原水平旨在通过改变影响复原强度的因子生成复原图像。已有工作主要聚焦于优化均方误差，它会带来比较的重建精度，但缺乏细粒度的纹理细节。

05

自 Ian Goodfellow 之后，GANs 还有哪些开拓性进展？

编者按：本文由作者Adit Deshpande总结，AI 研习社编译整理。Adit Deshpande 目前是UCLA计算机科学专业生物信息学方向的大二学生。他热衷于将自己的机器学习和计算机视觉技术应

06

技术老司机开车：用GAN去除(爱情)动作片中的马赛克和衣服！

作为一名久经片场的老司机，早就想写一些探讨“驾驶技术”的文章。这篇就介绍利用生成式对抗网络（GAN）的两个基本驾驶技能：

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭