Recently, it has been demonstrated that deep neural networks can significantly improve the performance of single image super-resolution (SISR). Numerous studies have concentrated on raising the quantitative quality of super-resolved (SR) images. However, these methods that target PSNR maximization usually produce blurred images at large upscaling factor. The introduction of generative adversarial networks (GANs) can mitigate this issue and show impressive results with synthetic high-frequency textures. Nevertheless, these GAN-based approaches always have a tendency to add fake textures and even artifacts to make the SR image of visually higher-resolution. In this paper, we propose a novel perceptual image super-resolution method that progressively generates visually high-quality results by constructing a stage-wise network. Specifically, the first phase concentrates on minimizing pixel-wise error, and the second stage utilizes the features extracted by the previous stage to pursue results with better structural retention. The final stage employs fine structure features distilled by the second phase to produce more realistic results. In this way, we can maintain the pixel, and structural level information in the perceptual image as much as possible. It is useful to note that the proposed method can build three types of images in a feed-forward process. Also, we explore a new generator that adopts multi-scale hierarchical features fusion. Extensive experiments on benchmark datasets show that our approach is superior to the state-of-the-art methods. Code is available at https://github.com/Zheng222/PPON.

最近，已经证明深度神经网络可以显着提高单图像超分辨率（SISR）的性能。许多研究集中在提高超分辨（SR）图像的定量质量上。但是，这些针对PSNR最大化的方法通常会在较大的放大系数下产生模糊的图像。生成对抗性网络（GAN）可以缓解此问题，并在合成高频纹理中显示出令人印象深刻的结果。然而，这些基于GAN的方法始终倾向于添加伪造的纹理甚至伪像，以使SR图像具有更高的视觉分辨率。在本文中，我们提出了一种新颖的感知图像超分辨率方法，该方法通过构建一个逐级网络逐步生成视觉上高质量的结果。特别，第一阶段专注于最小化逐像素误差，第二阶段则利用前一阶段提取的特征来追求具有更好的结构保留性的结果。最后阶段采用第二阶段蒸馏出的精细结构特征，以产生更逼真的结果。这样，我们可以尽可能地保持感知图像中的像素和结构级别信息。值得注意的是，所提出的方法可以在前馈过程中构建三种类型的图像。此外，我们还将探索一种采用多尺度分层特征融合的新型生成器。在基准数据集上进行的大量实验表明，我们的方法优于最新方法。可以从https://github.com/Zheng222/PPON获得代码。第二阶段利用上一阶段提取的特征来追求具有更好的结构保留性的结果。最后阶段采用第二阶段蒸馏的精细结构特征，以产生更逼真的结果。这样，我们可以尽可能地保持感知图像中的像素和结构级别信息。值得注意的是，所提出的方法可以在前馈过程中构建三种类型的图像。此外，我们还将探索一种采用多尺度分层特征融合的新型生成器。在基准数据集上进行的大量实验表明，我们的方法优于最新方法。可以从https://github.com/Zheng222/PPON获得代码。第二阶段利用上一阶段提取的特征来追求具有更好的结构保留性的结果。最后阶段采用第二阶段蒸馏的精细结构特征，以产生更逼真的结果。这样，我们可以尽可能地保持感知图像中的像素和结构级别信息。值得注意的是，所提出的方法可以在前馈过程中生成三种类型的图像。此外，我们还将探索一种采用多尺度分层特征融合的新型生成器。在基准数据集上进行的大量实验表明，我们的方法优于最新方法。可以从https://github.com/Zheng222/PPON获得代码。最后阶段采用第二阶段蒸馏的精细结构特征，以产生更逼真的结果。这样，我们可以尽可能地保持感知图像中的像素和结构级别信息。值得注意的是，所提出的方法可以在前馈过程中构建三种类型的图像。此外，我们还将探索一种采用多尺度分层特征融合的新型生成器。在基准数据集上进行的大量实验表明，我们的方法优于最新方法。可以从https://github.com/Zheng222/PPON获得代码。最后阶段采用第二阶段蒸馏的精细结构特征，以产生更逼真的结果。这样，我们可以尽可能地保持感知图像中的像素和结构级别信息。值得注意的是，所提出的方法可以在前馈过程中构建三种类型的图像。此外，我们还将探索一种采用多尺度分层特征融合的新型生成器。在基准数据集上进行的大量实验表明，我们的方法优于最新方法。可以从https://github.com/Zheng222/PPON获得代码。值得注意的是，所提出的方法可以在前馈过程中构建三种类型的图像。此外，我们还将探索一种采用多尺度分层特征融合的新型生成器。在基准数据集上进行的大量实验表明，我们的方法优于最新方法。可以从https://github.com/Zheng222/PPON获得代码。值得注意的是，所提出的方法可以在前馈过程中构建三种类型的图像。此外，我们还将探索一种采用多尺度分层特征融合的新型生成器。在基准数据集上进行的大量实验表明，我们的方法优于最新方法。可以从https://github.com/Zheng222/PPON获得代码。