Generative Adversarial Networks (GAN) haben das Potenzial gezeigt, realistische Details für die Super-Resolution von einzelnen Bildern (SISR) wiederherzustellen. Um die visuelle Qualität der super-auflösenden Ergebnisse weiter zu verbessern, verwendete der PIRM2018-SR-Challenge perzeptive Metriken zur Bewertung der perzeptuellen Qualität, wie PI, NIQE und Ma. Bestehende Methoden können jedoch diese nicht differenzierbaren perzeptuellen Metriken nicht direkt optimieren, die sich als stark mit menschlichen Bewertungen korreliert herausgestellt haben. Um dieses Problem anzugehen, schlagen wir Super-Resolution Generative Adversarial Networks mit Ranker (RankSRGAN) vor, um den Generator in Richtung der perzeptuellen Metriken zu optimieren. Insbesondere trainieren wir zunächst einen Ranker, der das Verhalten der perzeptuellen Metriken lernen kann, und führen dann einen neuen Rang-Inhalt-Verlust ein, um die perzeptuelle Qualität zu optimieren. Der ansprechendste Aspekt ist, dass die vorgeschlagene Methode die Stärken verschiedener SR-Methoden kombinieren kann, um bessere Ergebnisse zu erzeugen. Ausführliche Experimente zeigen, dass RankSRGAN sowohl visuell ansprechende Ergebnisse erzielt als auch den Stand der Technik in Bezug auf perzeptive Metriken erreicht. Projektseite: https://wenlongzhang0724.github.io/Projects/RankSRGAN