Les Réseaux de Génération Adversariaux (GAN) ont démontré leur potentiel pour la récupération de détails réalistes dans le cadre du suréchantillonnage d'images uniques (SISR). Pour améliorer davantage la qualité visuelle des résultats suréchantillonnés, le Défi PIRM2018-SR a utilisé des métriques perceptuelles pour évaluer la qualité perceptuelle, telles que l'Indice de Perception (PI), l'Indice de Qualité Intra-Image sans Référence (NIQE) et la métrique Ma. Cependant, les méthodes existantes ne peuvent pas optimiser directement ces métriques perceptuelles non différentiables, qui sont fortement corrélées aux évaluations humaines. Afin de résoudre ce problème, nous proposons les Réseaux de Génération Adversariaux de Suréchantillonnage avec Classeur (RankSRGAN) pour optimiser le générateur en fonction des métriques perceptuelles. Plus précisément, nous commençons par entraîner un Classeur capable d'apprendre le comportement des métriques perceptuelles, puis nous introduisons une nouvelle perte de rang-contenu pour optimiser la qualité perceptuelle. La partie la plus intéressante est que la méthode proposée peut combiner les avantages de différentes méthodes de suréchantillonnage pour générer des résultats encore meilleurs. De nombreuses expérimentations montrent que RankSRGAN obtient des résultats visuellement agréables et atteint des performances à l'état de l'art en termes de métriques perceptuelles. Page du projet : https://wenlongzhang0724.github.io/Projects/RankSRGAN