SRGAN：cvpr2017第一篇GAN做超分
#论文地址：https://arxiv.org/pdf/1609.04802.pdf
highest PSNR does not necessarily reflect the perceptually better SR result
网络结构 生成器使用 SRResNet
1、提出了感知损失： content loss = mse loss +vgg loss
2、Mean opinion score (MOS) testing： 26个受访者对图像评分1~5（坏~好），NN（near neighbour）评为1 ， HR评为5是基本一致的
ESRGAN：eccv2018 workshop
#论文地址：
参考：https://www.cnblogs.com/carsonzhu/p/10967369.html
1、网络结构：去掉BN，使用RIR denseblock
2、判别器：使用了relativistic GAN
3、感知损失 ，vggloss的特征使用激活函数前的特征；因为relu后特征稀疏，监督信息少；还有亮度变化
网络插值:
mse训练得到的模型1 和gan方法训练得到的模型2，两个模型的参数经过一个权重进行融合