论文标题：Best-Buddy GANs for Highly Detailed Image Super-Resolution 论文链接：https://arxiv.org/abs/2103.15295 作者单位：香港中文大学(贾佳亚团队) & 思谋科技

提出了one-to-many best-buddy损失，有利于生成更丰富的纹理，并提出区域感知对抗学习策略，进一步提高图像的视觉质量，表现SOTA！性能优于RankSRGAN、ESRGAN等网络。

我们考虑单图像超分辨率（SISR）问题，其中基于低分辨率（LR）输入生成高分辨率（HR）图像。最近，生成对抗网络（GAN）变得流行。沿着这条线的大多数方法都依赖于预定义的单LR单HR映射，这对于SISR任务而言不够灵活。同样，GAN生成的虚假细节可能经常破坏整个图像的真实感。我们通过为富细节的SISR提出best-buddy GAN（Beby-GAN）来解决这些问题。放宽不变的一对一约束，我们允许估计的patches在训练过程中动态寻求最佳监督，这有助于产生更合理的细节。此外，我们提出了一种区域感知的对抗学习策略，该策略指导我们的模型专注于自适应地生成纹理区域的细节。大量的实验证明了我们方法的有效性。还构建了超高分辨率4K数据集，以促进未来的超分辨率研究。

内容中包含的图片若涉及版权问题，请及时与我们联系删除