Brief Gain-SwinIR: Image Restoration Using Swin Transformer

在这篇文章的method里面发现了类似diffusion那种预测噪声的方法，这里是预测LQ（low quality）与HQ之间的residual。

模型的参数总数和乘累加操作的总数之间的关系：
参数总数:

指的是模型中所有权重和偏置的数量。参数总数是静态的，它反映了模型的容量，即模型可以学习的信息量。
参数数量多的模型可能能够捕捉数据中更复杂的模式，但也可能更容易过拟合（特别是在数据量不足的情况下）。
参数数量不直接决定模型的运行时间，但它会影响模型的存储大小和内存占用。

乘累加操作的总数:
通常指的是前向传播中所有乘法和加法操作的总和。乘累加操作是执行神经网络前向和反向传播时的主要计算操作。乘累加操作的总数是动态的，它直接关联到模型的计算复杂度，即在给定输入上评估模型需要多少计算资源。
多的乘累加操作可能意味着更长的推理时间和更高的能耗。

两者的关系：
尺度不同：参数总数是模型结构固有的特征，而乘累加操作的总数则取决于模型的输入大小。例如，对于卷积神经网络，卷积层的参数总数是固定的，但乘累加操作的总数会随着输入图像的大小变化而变化。

#