Fast, Accurate and Lightweight Super-Resolution with Neural Architecture Search小米论文思维导图

论文链接:https://arxiv.org/abs/1901.07261

参考文章:http://www.heijing.co/almosthuman2014/2019022019351186049

PS:其实我自己也有很多地方没有看懂,但是因为写了这个就想着发出来保存一下,不至于丢失。仅供参考。


摘要:

深度卷积神经网络一直在这方面有所建树,一系列的研究都致力于提高峰值信噪比(PSNR)

整个意思就是到达噪音比率的顶点信号,psnr一般是用于最大值信号和背景噪音之间的一个工程项目。通常在经过影像压缩之后,输出的影像都会在某种程度与原始影像不同。为了衡量经过处理后的影像品质,我们通常会参考PSNR值来衡量某个处理程序能否令人满意。它是原图像与被处理图像之间的均方误差相对于(2^n-1)^2的对数值(信号最大值的平方,n是每个采样值的比特数),它的单位是dB。

数学公式如下图所示:

其中,MSE是原图像与处理图像之间均方误差。

PSNR值越大,就代表失真越少。

一直依靠加神神经网络的方法来改进会受到资源的限制,平衡好资源容量和模型简化很重要。

原有的研究都是人为地去实现两者的最大平衡,而这篇论文中是自动地实现这样的目标,通过神经架构搜索。

用多目标方法解决高分辨率图片的问题

提出了弹性搜索:微观和宏观,基于混合控制器,这个混合控制器又是受益于强化学习和进化计算


思维导图:

 

 

 

 

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章