论文：Scene Text Image Super-Resolution in the Wild
参考：TSRN超分辨网络
重点提要
目标：针对文字图像做超分辨率提升，以提高文字识别的精度。
数据集：TextZoom。用双机位，在不同焦距的情况下拍摄得到的真实HR-LR图像对。
方法创新点：图像中心对齐模块、序列残差模块、梯度损失模块。
对比超分方法：BICUBIC、SRCNN、VDSR、SRResNet、RRDB、EDSR、RDN、LapSRN。
衡量标准：在CRNN、ASTER、MORAN三种文字识别网络上的识别精度。
损失函数：L2损失、梯度损失。
数据集
数据集被分成easy、medium、hard三种难度级别。在补充材料中，作者也展示了超分前后的PSNR和SSIM情况。
网络结构
这篇文章并没有用一般基于GAN的超分辨方法，而是直接用生成网络对图像进行超分辨，不进行对抗训练。由于训练图像对（HR-LR）是两架相机拍摄的图像，因此就涉及到了图像的对齐问题，所以网络中增加了图像对齐模块；因为网络学习的是文字图像的超分辨，所以在网络中用双向LSTM对图像的语义信息进行提取；同时，针对训练图像是文字这一要点，损失函数除L2损失外，还增加了梯度损失，以锐化文字边缘。
首先将RGB三通道的图像转灰度，然后将灰度图叠加到RGB三通道图上重构为4通道图像，此4通道图像将作为网络的输入图像。然后将输入图像进行中心对齐后，用一层CNN进行低级图像特征提取。然后将此低级特征输入5个SRB模块（由SRGAN中的res block为基础，加入BLSTM构成）中进行高级特征提取。最后经Pixel Shuffle进行分辨率提升。网络的全程训练，由L2和梯度损失共同监督。序列残差块、中心对齐模块、梯度损失三个模块，具体说来如下：
序列残差块
由于这个方法的目标是构建能够对文字图像进行超分的网络，因此借鉴文字识别中的RNN网络就很有意义。通过这个思路，就可以引入双向LSTM对输入图像从两个方向上进行语义信息的提取，从而加强文字图像超分效果的提升。通过以上思路构成一个基本的SRB单元，然后堆叠一系列的SRB便可构成网络的主体结构。
SRB块的基础是SRGAN中的生成网络中的Res block，保留Res block中的跳层连接，但是去除了Res block中的BN和激活层，在模块末端添加了BLSTM，便可构成SRB块。SRB块的输入通道数和输出通道数是一致的，因此，理解作者提出的SRB模块的根本就在于理解BLSTM。下面我们粗略介绍循环神经网络（RNN），具体的LSTM于RNN类似，解析点这里。
针对我们的问题，可以想象把一幅图像分为若干列（x1,x2,x3…）作为上图中的输入序列x1,x2,x3…。然后将输入序列中的一个元素（如x2）和上个隐藏层结果（如h1）作为函数f的输入，得到新的隐藏层结果（如h2）和输出（y2）。这便是一个节点的工作原理，其他节点同理。需要注意的是，隐藏层结果h是上个节点传递过来的记忆信息，有助于下个节点参照上个节点的信息产生更好的输出结果y。我们最终获取的是输出序列y。
关于LSTM原理我是在CRNN文章中学到的，具体公式我就不列举了，不深究LSTM而只要求会用的我觉得没必要深究LSTM具体原理，大家可以参考一下。TSRN这篇文章提到的如下公式：
其实就是我上边讲的，将输入x和上个隐藏层结果h作为函数f的自变量，因变量是新的隐藏层结果。其实按理说应该还有一个因变量是输出y，只是公式没写。
中心对齐模块
作者从一篇文章中借过来一个叫做STN的模块作为中心对齐模块，名字很响亮，论文没过多介绍，但其实看代码很容易理解其构成。由于我现在手上没有代码，我也用不到TextZoom这个数据集，因此就不分析具体的机理了。
梯度损失
这个损失还是有点意思的，属于那种比较小众玩家爱玩的。
我们计算图像梯度，最常用的两种方法，一是直接将图像进行错位相减，二是用sobel算子进行卷积计算。本文选择的就是错位相减发，因为思路很简单，稍有图像处理功底的应该都知道，我就不详细介绍了。损失函数的计算如下：
图中左侧want为SR，右侧want为HR，分别计算梯度后做减法，便可的梯度差，这便是梯度损失。
最小化这一梯度损失，便可优化SR的文字边缘。
实验数据
