深度学习论文a+论文b=论文c？

偶然发现a论文加b论文效果直接超过顶会sota，但只是单纯的相加完全不知道如何讲故事？

其实有三个办法可以解决这个问题！

第一个方法

用A + B有效成分 + C杂质 + D微量杂质。

这种方式找创新点需要大家大量的阅读优质论文，而找论文又是一个非常耗费时间的事，大家如果需要的话我可以把我收集的顶会论文分享给大家！

深度学习可复现论文仓库

大家可以添加小助手获取（长按二维码图片添加既可），记得发送文章标题截图给小助手哦！

第二个方法

A+B+C+D+E+F

第三个方法

这个办法比较详细
来自作者：ReedswayYuH.C

本人前些年的工作是深度学习的大量灌水，我从事的是图像增强与去噪的方向，网络结构异常简单，因此创新的方向一般就两个，一个是特征提取的创新，一个是图像亮度增强/去噪方向的创新。

特征提取的模块化创新，我称之为深度学习灌水的重灾区。

每年顶会的超分算法都会提出各种各样的模块化改进，几乎可以直接照搬这些模块到图像增强中来，比如FMEN提出了新的高效注意力模块。

你可以直接替换普通的通道注意力机制，比如AFF非常水的通过并联全局注意力和局部注意力提取发了篇顶会，你可以把它那个结构拆开放你的网络里。

上述都是特征提取的A+B，一般都可以很好的提升特征提取能力，想更进一步，我推荐更改多尺度结构或者一些剪枝的策略吧，看过很多离谱的魔改，让人瞠目结舌。

第二步的改进，就是你的研究目的了，我以亮度增强举例。

从郭春乐提出Zero-Dce开始，这个迭代函数就被大量运用于轻量化的弱光增强网络里。

大量的文章直接没改就放网络里，改得比较成功的，是20年顶会的STAR算法

他使用Transformer提取Tokens后，再使用的迭代策略。

这是比较成功的，但是万变不离其宗，你可以通过更换迭代函数本身（比如LUT-GCE把函数弄成了三次函数），或者更换迭代的逐像素参数（比如MMFF-NET，使用了不同卷积层的上采样）这些都是改进的方法。

OK，到这一步的时候，你的A+B+C就已经创新得差不多了。

你如果还想加比如对比度增强/去噪这些模块，就注意下网络的结构吧。

别太离谱，或者参数量太大别人跑不动。

为了保险起见，开始更改应用范围

比如遥感图像/水下图像/弱光图像/红外图像/矿场作业图像等等。

然后增强内容也换一下，比如去噪/亮度增强/美学增强/质量增强/多曝光/去雾/去雨等等

你加一个应用的限制，让你自己的场景具有针对性。

ok，到这里，基本就看你的写作水平了，一般来说A+B发TOP肯定是没戏的。

但是写得好，并且你的结构和创新不错，发个二区还是可以的。

最后，除水毕业或者申博啥的以外，希望还是少一点灌水，多一些干货。