1 简单介绍：
目前的SR方法解决的都是小尺寸的数据小于500px，本文提出的是针对大尺寸的数据比如大于2000px的商业数据。本文的创新之处：
- 提出一种新奇的使用注意力机制的SRGAN方法，叫做A-SRGAN,他是吸收了SAGAN的思想，然后哩由于处理的是大尺度的数据，所以作者针对此提出Flexible Self Attention layer(FSL)层。这个就是在SA基础上在前端加了maxpooling，后端加了deconv。
- 验证了SRGAN在大规模数据的有效性上
- 当处理大范围数据的时候crop尺寸是很重要的，对其进行了讨论，发现大的crop size可以处理object inconsitency以及long-term dependency等问题。
- 分布式算法处理gans，也就是使用多块gpu进行并行处理。（怎么感觉和pytorch多gpu处理数据道理很类似）
2 和SRGAN不同之处
我们提出的A-SRGAN模型相对于SRGAN模型修改了2个地方：
- 提出了FSA(Flexible self attention)层，是考虑了长范围的依靠以及大尺寸条件下的物体不一致性。这里在之前的SAGAN的基础上加上一个Flexible。原因就是因为我们这里处理的图像的scale尺寸可能比较大，所以的话我们首先先maxpooling一下降低它的的尺寸，然后我们在经过SA layer，之后的话我们在经过一个deconv层让其恢复之前的尺寸。
- 我们也对卷积层和全连接层引入了光谱正则化，作为权重的正则化操作。spectral normalization（光谱正则化）相当于是权重初始化的扩展，这个已经证明了光谱正则化会帮助我们在gan的过程中收敛的更好和更快。 和SN原文不同的是，这里我们在生成器和判别器都使用了SN层。
注意一下，我们在训练阶段因为我们使用的crop进行训练，因此可以直接使用SA进行计算就可以啦，但是在测试的时候因为尺寸是比较大的话，那么我们就使用FSA层就可以了。
3. 网络结构
FSA结构，和SA很类似，参考上文。
A-SRGAN结构，和SRGAN相比加了SN, FSA。
分布式多结构：
有关SAGAN可以参考一下：