CVPR2019超分领域出现多篇，更接近于真实世界原理的低分辨率和高分辨率图像对应的新思路。具体来说，以前论文训练数据主要使用的是人为的bicubic下采样得到的，网络倾向于学习bicubic下采样的逆过程，这与现实世界原理不太相符。为了得到重建结果吗，要么采用psnr-oriented方式获得更高的psnr，要么采用perceptual-oriented获得更好的主观效果。但这与现实世界image system并不吻合，有可能会造成deterioration.
感觉可以让一个普通相机拍摄的图片变成华为P30PRO样片的感觉，先看一下具体的模型训练结果，可以看到远处梯子的条纹清晰可辨，仿佛添加了一个单反长焦镜头
最大的贡献体现在一下几点：
ablation实验表明这种方式的优越性
如图，新的数据集思路带来的对齐问题。Co损失函数只考虑了特征层面的距离而忽略了空间层面的，为此作者结合这两点，提出新的损失函数
新的损失函数带来的效果提升：
最后实验证明这个算法比现有的state-the-art算法都要好。如果数据感觉不出什么的话，再贴两张比较惊艳的图
Camera lens super-resolution
原理：resolution（R）与field of view(V)分辨率与视野大小的矛盾关系，（其实也是不同的焦距）
智能手机则是镜头和景物之间的距离关系。文章主要探索了使用新数据集得的LR重建效果明显优于bicubic或者gaussian得到的LR重建效果。
zoom in 和zoom out是摄像技术用语。zoom in 指（照相机等）用变焦距镜头使景物放大，即将景物推近；zoom out刚好相反，表示用变焦距镜头使景物缩小，即将景物拉远。
视野变大（zoom out），则关注的object的分辨率降低，视野变小(zoom in)则分辨率提高。
长焦(单反)，短距离（手机）获得的图像作为target。为此提出了一个新的数据集City100.主要是拍摄的贺卡上的景物建筑图片
同样的，作者提出了有明显的对齐问题1.spatial misalignment 2.intensity variation 3.color mismatching
对应的解决措施
spatial misalignment:SIFT key-points match,RANSAC to estimate homograph
intensity variation:average the pixel intensities in the whole image
color mismatching:color checkboard and polynomial parameter for calibration
后面文章通过实验数据和结果证实，通过BICUBIC、GAUSSIA（红色点处）得到的下采样的LR图片不如city100数据集。
使用到了两种代表性的网络，一种psnr导向的VDSR,一种perceptual导向的SRGAN进行了对比试验
最后证明了用在其他单反和手机上也能取得很好的效果。iphone X->huawei P20、三星S9。尼康->佳能
