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。

其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：