L'algoritmo migliorato SRGAN utilizza diverse tecniche avanzate per ottimizzare la ricostruzione delle immagini. Innanzitutto, il network EDSR (Enhanced Deep Residual Networks) sostituisce il tradizionale SRResNet come generatore, migliorando la capacità di ripristinare i dettagli delle immagini. L'EDSR elimina i livelli di normalizzazione batch e di riduzione delle dimensioni, riducendo così la complessità computazionale e migliorando le prestazioni. Inoltre, il meccanismo di attenzione LSK (Large Kernel Attention) viene introdotto per estrarre caratteristiche multi-scala. Questo meccanismo utilizza nuclei di convoluzione multi-scala in parallelo per fondere le caratteristiche da diversi campi ricettivi, permettendo al modello di catturare meglio i dettagli chiave. Per quanto riguarda il discriminatore, l'uso della funzione di attivazione Mish al posto della LeakyReLU migliora il flusso del gradiente, rendendo l'addestramento più stabile. La funzione Mish è definita come x * tanh(softplus(x)) e ha dimostrato di essere più efficace nel mantenere i gradienti stabili durante l'addestramento. Inoltre, un livello Dropout viene introdotto per prevenire l'overfitting, migliorando la capacità di generalizzazione del discriminatore. La strategia di addestramento a stadi viene impiegata per addestrare il generatore e il discriminatore in modo più efficace, migliorando ulteriormente le prestazioni complessive del modello.
