基于 low-level 的 cv 问题该如何落地

深度学习技术在 cv 的 low-level 问题方面有很多研究，比如超分、降噪、图像强化等。但是在业界的应用中，则面临一些具体的挑战，主要有以下一些方面：

1. 数据集如何构建

这是根本问题。

2. 网路如何构建

并非要类似最新的学术论文那般做出非常复杂或者原创性的网络。从工程应用的角度来说，通用型的大型网络就能取得较好的效果情况下，复杂网络结构对于性能提升的意义不大。

网络的构建意义更多在于如何把大网络压缩成小网络设计。

该减小哪些网络层？卷积核大小如何取舍？复杂结构如何简单化？等等。

3. 网络量化移植

基于服务器训练的浮点型网络距离设备应用的整型网络仍有较长的路要走。诚然，会有一些量化的工具帮助量化模型，但是对于特定的任务而言，通用的工具只能取得比较平庸的效果。真正的大杀器往往需要量身定制。

大道至简，重剑无锋。对于解决一个特定的问题，刚开始往往容易复杂化处理，这其中必然包含了许多弯路与冗余。然后能够真正 work 的算法，必然具备简洁与普适性的特点。