2018MM的一篇论文，这篇论文针对的是美学驱动的图像增强方式，但是主要工作是通过gan网络学习超参数，可以很容易的借鉴到其他领域。
生成网络是标准的ResNet-101，去掉了最后的池化层和全连接层，最后的输出为2048个future map，这2048个future为之后生成超参数做准备。文中提到了三种后序操作：
Piecewise Color Enhancer ：图片转换为CIE颜色空间，在这种空间下，图片的亮度体现在一个通道，色度体现在另外两个通道，针对亮度和色度信息进行gamma转换，提升图片美学质量，变换如下：
类似的，根据LAB图像变换准则调整色度信息，如下所示：
观察上边的两个方程组，共有a，b，p，q，α，β六个超参数，下面根据2048个future map学习这六个超参数。2048个future map通过卷积核为1*1的卷积层后变成7个卷积层，前六个卷积层对应六个超参数的候选值，最后一个卷积层对应上述候选值的不同排列的概率。Top-K池化层选取可能性最大的k种排列，对这k种排列根据概率做加权平均得到最终超参数的取值。
Deep Filtering-based Enhancer：上述方法性能具有局限性，可以通过将不同的增强方法线性组合，共同使用来提高性能。这个时候需要学习的是不同方法组合时候的权重因子，比如说采用了n种增强方法，那么就需要把2048个future map转变为n+1个future map，前n个对应n种方法的权重，最后一个对应各种权重不同排列的概率。后序操作上述一致。
Image Cropping Operator：需要学习的超参数是[x,y,w,h]思路与上边类似。
结构图很清楚的展示了上述三个应用的过程，最后的损失函数采用对抗损失和perceptual loss。
实验细节不说了，根据上图文中给出的结果，图片的质量提升还是很明显的。这种学习超参数的方法以后可以借鉴用到自己的工作中。
