图像重建

To learn image super-resolution, use a GAN to learn how to do image degradation first

https://zhuanlan.zhihu.com/p/91748183

• *1.训练数据的选取：**作者认为以往的图像超分辨率在训练数据的选取上，往往是通过人工从源高分辨率图像进行下采样得到的，这种通过人工手段获取的低分辨率图像与自然环境下真实的低分辨率图像是不相同的。因此，作者设计了一个基于GAN的High-to-Low网络从HR图像获取较自然的LR图像来模拟真实低分辨率数据。

（有道理 啊， 先用gan学一个HQ的图像到 带噪或者别的 的LQ图像的转换， 然后再超分或者去噪声）

• *2.损失函数的设计：**以往的图像超分辨率工作，使用L2 pixel loss占主要作用，而GAN loss作为使得生成图像看起来更加锐利和真实作为补充。本论文采用的方法正相反，使用GAN loss主要作用于图片的生成过程。

PSFRGAN

Progressive Semantic-Aware Style Transformation for Blind Face Restoration

propose a new progressive semantic-aware style transformation framework

与之前的编码器-解码器网络不同，我们通过语义感知风格变换multi-scale progressive restoration来对低质量图片多尺度渐进重建multi-scale progressive restoration

Given a pair of LQ face image and its corre- sponding parsing map, we first generate a multi-scale pyra- mid of the inputs, and then progressively modulate different scale features from coarse-to-fine in a semantic-aware style transfer way.

先FPN，然后由粗到细 用语义感知的方法 调制 不同粒度的特征

引入了语义感知的风格损失算法

Introduction

LQ：low quaility

盲面重建（Blind face restoration） 是指从LQ输入中恢复出存在低分辨率、噪声、模糊和有损压缩等未知退化的HQ图像。

目前大多数的恢复方法都是针对特定类型的恢复，尤其是超分辨率的恢复，很少有方法可以很好的推广到真实的LQ图像。

与一般的图像恢复不同，人脸恢复可以利用人脸的强先验知识，即使在图像严重退化的情况下也能恢复人脸组件的细节。

GFPGAN