Azure Zest

Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network Super Resolution에 최초로 Deep Learning을 도입한 SRCNN 이후로 많은 모델들이 등장했다. 그 중 SRGAN은 질감의 디테일의 복구를 기반으로 만들어지게 되었다. 최근의 SR 방법들은 MSE를 최소화하여 PSNR을 높게 만드는 데 집중을 해 High frequency detail들을 잡는 데에는 만족스럽지 않은 결과를 나타낸다. 따라서 이 연구에서는 pixel space에서의 유사성이 아닌 perceptual similarity 에 기반한 content loss와 adversarial loss로 구성된 perceptual loss..

이 논문은 2015년에 발표된 논문으로 SISR(single image super-resolution) 에 최초로 딥러닝을 적용한 논문으로써 의의가 있다. 이 후, 많은 논문에서 기반으로 사용하였고, 또한 간단한 구조로 기존의 SR 방법들을 능가하였기 때문에 많은 사람들이 SR 문제에 (깊은 구조의)딥러닝을 적용하는 계기가 되었다. Training 우선, 전체적인 구조를 살펴보자면 위의 그림과 같다. SRCNN은 저해상도 이미지를 input으로 받아 일련의 과정을 거친 뒤, 고해상도 이미지를 output으로 출력하게 된다. 그 일련의 과정을 수식으로 나타내면 다음과 같다. 우선, 첫째로 'Patch extraction and representation'은 저해상도 이미지에서 patch들을 추출하는 과정이..