原论文：Deep Learning for Image Super-resolution: A Survey
1.Pixel Loss：用来度量生成图片和目标图片的像素级的差异
1.1 L1 loss
1.2 L2 loss
1.3 Charbonnier loss：L1 Loss的变体，最后参数是一个很小常量（e.g., 1e − 3），为了使数值稳定
像素损失是最常见的损失，通常L2损失能够对大的损失进行惩罚，但是在小的损失上无能为力，效果不如L1，像素损失实际上并没有考虑到图像质量(如感知质量，纹理)，经常缺乏高频细节，并且产生的纹理过于平滑，难以令人满意
2.Content Loss：如果一个网络，生成的图像足够逼真，那么生成图片的特征（度量特征提取网络中提取的）也应该跟真实图片的足够像，因此通过使特征足够相似，对生成图片质量也有促进作用
l是网络第l层，常用的度量特征提取网络有vgg，resnet。
3.Texture Loss：由于重建后的图像应该与目标图像具有相同的样式(例如，颜色、纹理、对比度)，将图像的纹理视为不同特征通道之间的相关性（用矩阵点乘来表示相关性）
最终损失函数是要求相关性相同：
好用是好用，但是需要通过经验（调参）来确定patch的大小，patch太小会造成纹理部分 artefacts（重影），太大会造成整个图片重影。（因为纹理统计是对不同纹理区域求平均值）
4.Adversarial Loss：这就不用多说了，不服就GAN嘛
4.1 loss based on cross entropy
4.2 loss based on least square error
4.3 hinge-format adversarial loss
像素级的判别器会使生成器产生高频噪音，但是特征级的判别器可以很好的捕捉高清图片的潜在属性
其中比较重要的工作有：
“Learning to super-resolve blurry face and text images”合并一个多类GAN，包括单个生成器和特定于类的鉴别器
ESRGAN[101]利用 relativistic GAN[131]来预测真实图像比假图像相对真实的概率，而不是预测输入图像真实或生成的概率。
虽然经过GAN处理后的图片PSNR会低一点（相比pixel loss）但是在感知质量上带来了显著的提高。鉴别器提取了真实图像中一些难以获得的潜在特征，并推动生成的HR图像符合这些模式，从而有助于生成更真实的HR图像
GAN相比其他模型，训练上会比较困难，仍是目前未解决的一个问题
5.Cycle Consistency Loss：
受CycleGAN启发，将HR图像通过另一个CNN网络缩小成I‘，然后跟要处理的小图片做相似性度量
6.Total Variation Loss：
两点作用：1.抑制噪音（主要是噪点），2.提升图像的空间平滑性
7.Prior-Based Loss：基于先验的损失
Super-fan: Integrated facial landmark localization and super-resolution of real-world low resolution faces in arbitrary poses with gans
聚焦于人脸图像的SR，并引入了人脸比对网络(FAN)来约束从原始和生成的图像中检测到的人脸地标的一致性
实践中经常是多个损失函数组合使用，但是权重调节是一个大问题，对结果有决定性的影响，需要各位炼丹师自己去摸索了
最后祝各位炼丹顺利