超分辨率GAN中具有视觉损失的视觉缺陷

Question

我对GAN中的感知损失和超分辨率存在问题。目前，我对图像进行标准化（之前）和非标准化（之后）：

def Normalization_tanh(**kwargs):
  return Lambda(lambda x: (x / 127.5) - 1, **kwargs)


def Denormalization_tanh(**kwargs):
  return Lambda(lambda x: (x + 1) * 127.5, **kwargs)

从[0-255]到[-1,1]的3个通道基本映射RGB图像，反之亦然。我使用的内容丢失就是这个

def content_loss(hr, sr):

  vgg = srgan.vgg_54() # vgg network at 5 conv layer and before 4 max pooling layer
  sr = preprocess_input(sr) # (samples, width, height, channels)
  hr = preprocess_input(hr) # (samples, width, height, channels)
  sr_features = vgg(sr) # high level features from generated image
  hr_features = vgg(hr) # high level features from high resolution image
  mse_euclidan = mean_squared_error(hr_features, sr_features)

  return mse_euclidan # euclidan distance in feature space

培训似乎进行得很好，并且网络网络趋同（缓慢）收敛。但是，与平均绝对误差或均方误差函数作为损失相比，视觉上仍然存在很大差异。参见此处的图片，感知损失（GAN）与均方差损失（正常网络）：

从图像中可以看到，显然有些问题。有什么想法可能是这里的问题吗？我的一个想法是归一化，但是应该影响两个模型。