高分辨率图像重建模型：融合空间结构、纹理信息和对抗学习

在训练中，我们的目标是：i) 保留LR图像的空间结构和语义信息；ii) 发现Ref图像的更多纹理信息；iii) 合成具有高质量的逼真SR图像。为此，我们使用了重建损失、感知损失和对抗损失，与[48,12]中相同。具有超参数λ1和λ2的总损失如下所示：xxxx。

重建损失。为了使SR图像XSR接近于HR真实图像XHR，我们采用以下重建损失： Lrec = ∥XHR − XSR∥1，其中∥·∥1是ℓ1范数。

感知损失。为了提高SR图像的视觉质量，感知损失被广泛应用于SR模型[56,12]。感知损失定义如下：yyyy。 其中∥·∥F是Frobenius范数，V和C分别是特征图的体积和通道数。函数ϕi是VGG19[35]中的第i个中间层，我们在实验中使用了VGG19的relu5 1层。

对抗损失。为了提高SR图像的视觉质量，许多SR方法[17,44]引入了GANs[7,1]，在SR方面取得了良好的性能。具体而言，我们使用WGAN[1]损失如下所示：zzzz。 其中D(·)是一个判别器，PSR是生成的SR图像的分布，PHR是真实数据的分布。