相对于之前的图像质量提升方法，本方法无需和低端质量图像相关的高质量监督数据。训练时只需要提供需要提高到的图像质量参考。
x为输入低端质量图像，x通过G之后生成提升后的图像y~=G（x），再经过一个反向generator生成重构到的低端图，x和再通过vgg19网络得到content loss.训练过程中，训练G和F使得content loss 足够小，之所以这里使用vgg19网络，是因为原图和重构图像之间差距交到，使用其他方法求出来的loss会特别小。
y是输入的高质量图像，将和y经过高斯加噪（blur）之后送入Dc得到color loss，加blur可以去除其他因素（texture、content）对color loss的影响，因为使用的参照图像和低端图像内容不一样，通过blur可以让鉴别器尽量专注得分析颜色分布（包括亮度、对比度等）问题。色彩损失迫使增强图像具有与高质量图片相似的色彩分布。
将y~和y经过取灰度图（去除颜色等因素的影响）之后送入到Dt中得到texture loss，用来区分图像是增强后的高质量图还是原始的高质量图，训练Dt使得texture loss 不断减小，让其分不出两张图谁是谁。
在经过G生成y~后求一个Ltv（total variation loss），为了使生成的增强图像尽量平滑。