[0] Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks
0. DCGAN (Deep Convolutional Generative adversarial networks).
1. 初始idea是学习reusable feature representation，再添加到图像上，比如人脸上加上眼镜，房间内部加上多余的家具之类的，vector arithmetic方法应用，效果酷炫，可惜我用不到这部分内容QAQ
2. 因为也是用来添加content到原始图像上的，可以拓展到图像超分辨率重建方向，理论上效果比单一的若干层CNN模型效果好，更能逼近ground truth。
3. git工程available。毕竟是GAN发展史中第一个高借鉴率的“具有工程指导意义的”代码库，mark一个先！
4. 可借鉴的地方：
GAN思想，DRAW思想（借鉴自LAPGAN，residual network塔模型）；
GAN实现代码，model部分；
可视化部分的代码；
=>应用到SR重建当中。
[1] Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network(Nov. 2016)
0. GAN+SR =>baseline
1. 理论部分：perceptual loss function = adversarial loss + content loss.
adversarial loss ->训练并缩小生成SR图像与目标SR图像之间差距。
content loss-> 训练perceptual similarity而非pixel space similarity（？）
以及使用subpixel方法处理input image =>“We increase the resolution of the input image with two trained sub-pixel convolution layers as proposed by Shi et al.”
2. 给出SRGAN>SRCNN的论证过程，给出图像感知质量评估的量化标准=>MOS指数（港真不能真让我找群志愿者肉眼评估图像重建效果吧(╯‵□′)╯︵┻━┻！）以及PSNR指数。注：MOS用于比较不同的SR方法对同一张图像的SR重建质量，PSNR用于使用一种SR方法重建多张图像，评估重建图像质量。（MSE降=PSNR升！=MOS升）
3. contribution
在图像四倍放大方面达到目前最优效果（PSNR指数评估，优化目标MSE）
提出优化目标为perceptual loss的SRGAN，其中 content loss不再基于MSE而是基于VGG的属性映射（？），对像素空间的变化的反应更加恒定（鲁棒性更强的意思？）
利用MOS指数表现，证明本文SRGAN的表现为业界领先。
0. subpixel 技巧。
1. subpixel的提出主要是为了优化，包括速度提升与效果优化。（毕竟目标在于real-time的图像与视屏）。因此文中大量评估了计算速度上的表现，以及应用subpixel技巧后的效果优化。
2. 其不足之处（或者说可发展的方面）在这里已经有过介绍，此处不赘述。
3. git工程available（非官方）。
4. 可借鉴之处：
subpixel技巧（有待斟酌）
代码！代码！代码！
这篇早于[1]一个月发布，[1]中也借鉴了subpixel这种技巧，并应用在图像预处理阶段。
