(توضیحات از) شبکه مخالف سازگار با وضوح فوق العاده ، یا ESRGAN ، یک روش بزرگ سازی است که قادر به تولید بافت های واقع بینانه در طول وضوح تصویر فوق العاده است.اساساً این یک تکنیک یادگیری ماشینی است که از یک شبکه مخالف مولد برای ارتقاء تصاویر کوچکتر استفاده می کند.با انجام این کار در چندین پاس ، معمولاً تصویری با وفاداری بیشتری نسبت به روشهایی مانند SRCNN و SRGAN ایجاد می کند.در واقع ، ESRGAN مستقر از SRGAN است.تفاوت این دو در این است که ESRGAN در معماری شبکه SRGAN ، از دست دادن مخالف و ضرر ادراکی بهبود می یابد.علاوه بر این ، ESRGAN یک مدل عمیق تر با استفاده از بلوک متراکم Residual in-Residual (RRDB) و بدون لایه های نرمال سازی دسته ای ، اتخاذ می کند و از GAN به طور متوسط ​​نسبی گرایی به جای GAN وانیل استفاده می کند ...