基于对比学习的图像超分辨率恢复模块

3.4. 恢复模块

恢复模块将聚合的参考特征和输入特征作为输入。首先将这些特征进行连接，然后通过残差块生成所需的输出SR图像。我们采用常用的重建损失L rec，感知损失L per 和对抗损失L adv 来训练恢复网络。我们采用的重建损失是L1-范数。感知损失是在relu5-1 VGG特征上计算的。

3.5. 实现细节

整个网络的训练分为两个阶段：

C2-Matching的训练，即伴随着教师-学生相关性蒸馏的对比度对应网络的训练。2. 恢复网络的训练。

C2-Matching的训练: 我们通过对输入图像应用合成的单应性变换来合成图像对。单应性变换矩阵通过cv2.getPerspectiveTransform获得。公式(1)中的边距值m设为1.0，公式(3)中的阈值T设为4.0，公式(4)中的温度τ设为0.15，KL散度损失的权重α kl 设为15。学习率设为10^-3。

恢复网络的训练: 在这个阶段，从学生对比度对应网络获得的对应关系被用于计算公式(9)中的p0。L rec、L per 和L adv 的权重分别为1.0、10^-4 和10^-6。恢复网络的训练学习率设为10^-4。训练过程中，LR图像和HR参考图像的输入尺寸分别为40×40和160×160。