论文：DeblurGAN-v2: Deblurring (Orders-of-Magnitude) Faster and Better
Github：https://github.com/TAMU-VITA/DeblurGANv2
https://github.com/KupynOrest/DeblurGANv2
ICCV 2019
论文提出了DeblurGAN的改进版，DeblurGAN-v2，在efficiency, quality, flexibility 三方面都取得了state-of-the-art 的效果。
主要贡献：
Framework Level:
对于生成器，为了更好的保准生成质量，论文首次提出采用Feature Pyramid Network (FPN) 结构进行特征融合。对于判别器部分，采用带有最小开方损失（least-square loss ）的相对判别器（relativistic discriminator），并且分别结合了全局（global (image) ）和局部（local (patch) ）2个尺度的判别loss。
Backbone Level:
论文采用了3种骨架网络，分别为Inception-ResNet-v2，MobileNet，MobileNet-DSC。Inception-ResNet-v2具有最好的精度，MobileNet和MobileNet-DSC具有更快的速度。
Experiment Level:
在3个指标PSNR, SSIM, perceptual quality 都取得了很好的结果。基于MobileNet-DSC 的DeblurGAN-v2比DeblurGAN快了11倍，并且只有4M大小。
网络结构：
生成器基本结构为FPN结构，分别获取5个分支的特征输出，基于上采样操作进行融合。最后再加入原图的shortcut分支，得到最终的输出。
输入图片归一化到了[-1,1],输出图片也经过tanh函数归一化到[-1,1]。
损失函数Loss：
传统GAN的损失函数：
Least Squares GANs（LSGAN）的损失函数：
该损失有助于使得训练过程更加平稳，高效。
判别器RaGAN-LS loss ：
该loss是在LSGAN loss的基础上，进行的改进。
生成器整体loss:
其中，Lp表示mean-square-error (MSE)
Lx表示感知loss，表示内容的损失
Ladv表示全局和局部的损失，全局表示整个图片的损失，局部类比于PatchGAN，表示将整个图片分块为一个一个的70*70的局部图片的损失。
训练集：
GoPro ：3214 blurry/clear 图片对，其中2103作训练，1111做测试。
DVD ：6708 blurry/clear 图片对
NFS ：75个视频
实验结果：
