超分辨率生成对抗网络（SRGAN）是一项开创性的工作，能够在单图像超分辨率过程中生成逼真的纹理。然而，生成的细节往往伴随着令人不悦的伪影。为了进一步提升视觉质量，我们对SRGAN的三个关键组件——网络架构、对抗损失和感知损失进行了深入研究，并对每个组件进行了改进，从而提出了增强型SRGAN（ESRGAN）。具体而言，我们将无批量归一化的残差密集块中的残差引入作为基本网络构建单元（Residual-in-Residual Dense Block, RRDB）。此外，我们借鉴了相对论生成对抗网络的思想，使判别器预测相对真实性而非绝对值。最后，我们通过使用激活前的特征来改进感知损失，这可以为亮度一致性和纹理恢复提供更强的监督。得益于这些改进，所提出的ESRGAN在视觉质量上比SRGAN更加出色，生成的纹理更为逼真和自然，并在PIRM2018-SR挑战赛中获得了第一名。代码可在https://github.com/xinntao/ESRGAN 获取。