题目：GUIDED CYCLEGAN VIA SEMI-DUAL OPTIMAL TRANSPORT FORPHOTO-REALISTIC FACE SUPER-RESOLUTION
摘要
- 面部超分辨率已经研究了数十年，并且已经提出了许多方法，【缺点】这些方法使用从成对的低分辨率（LR）图像和高分辨率（HR）图像中提取的信息来对低分辨率的面部图像进行升采样。但是，大多数此类工作仅使锐化后的人脸图像中的模糊边缘变得清晰，通常最终结果中都不会重建照片般逼真的人脸。在本文中，我们提出了一种基于GAN的人脸超分辨率算法，该算法可以正确合成照片级的超恢复人脸。为此，我们引入了半对偶最优传输来优化我们的模型，以便其生成的数据的分布可以尽可能匹配目标域的分布。这样，**我们的模型就可以从具有所需属性的未配对LR图像和HR图像中学习分布的映射。**通过在Color FERET数据库上进行测试，我们证明了该算法的鲁棒性，并表明其性能大大优于所有最新方法。索引词-人脸超分辨率，半双最优运输，CycleGAN
背景：以往的方法使用从成对的（LR）和（HR）中提取的信息来对低分辨率的面部图像进行升采样。但是，大多数此类工作仅使锐化后的人脸图像中的模糊边缘变得清晰，通常最终结果中都不会重建照片般逼真的人脸
方法：引入了半对偶最优传输来优化我们的模型，以便其生成的数据的分布可以尽可能匹配目标域的分布
结论：证明了该算法的鲁棒性，并表明其性能大大优于所有最新方法
结论
- 本文提出了
一种新颖的半对偶最优交通引导CycleGAN（SDOT-CycleGAN），用于人脸超分辨率。 SDOT-CycleGAN的关键思想是使用这些双最优运输指导CycleGAN。这种方法不仅有助于让CycleGAN学习具有所需特性的不配对样本之间的一对一映射，而且还为PSNR / SSIM / IFC / FSIM / LPIPS的光度恢复提供了解决方案。大量实验表明，SDOT-CycleGAN在定量和定性方面都优于未对齐的人脸图像。遵循这项工作的主要思想，未来工作可以在各个方面进行扩展，包括设计用于视频超分辨率的新颖网络。