Tensorflow教程第28节：如何实现SRGAN超分辨率生成对抗网络？

本文共计617个文字，预计阅读时间需要3分钟。

文章分享了生成对抗网络（GAN）的诞生及其强大之处，期待未来能利用它完成更多任务。今日，我将使用GAN进行超分辨率图像生成。一、SRGAN网络结构

前面的文章给大家分享了生成对抗网络来生成图像，初次见识到生成对抗网络的强大，我们期望可以用它来做更多的事情，今天我将用生成对抗网络来做超分辨成像。

一、SRGAN网络结构

前面文章已经介绍过GAN的原理，这里就不多说废话。我把SRGAN的网络结构分享给大家，如图所示。我简单介绍一下，SRGAN的输入是低分辨图像和相应的高分率图像，低分辨图像经过解码编码网络结构的生层网络生成结果输出图像，然后将高分率图像和生成网络的输出图像一起输入到分类结构的判别网络中去，进行真假判别。

二、用tensorflow实现SRGAN

我已经用tensorflow实现了初始版本的GAN和Wasserstein GAN（这是GAN的改进版本，初始版本GAN训练的时候非常不稳定很难训练，WGAN训练的时候比较稳定，很快就能收敛看到以假乱真的生成图像）。为了让大家自己学习，我就不把SRGAN的代码分享给大家，只需将我在GitHub上的WGAN进行简单修改就可以了。

三、生成图像效果

我分别对自然图像和MR图像进行了效果测试。

自然图像超分辨就是将分辨率低的图像变成分辨率高的图像且图像不模糊，不失真。