对目前图像处理领域的个人思考（极端环境图像，自然图像，有无GT图像处理方向）

一、当前在这种极端环境的增强如何训练网络是一大问题：
1）合成数据集；2）人工从现有算法挑选GT。
第一个方法显而易见的问题就是合成集根本不准啊，所以肯定泛化能力差。第二种方法除了大厂又有哪里能有这个资金和能力建造足够大的数据库，如果数据库不够大，那么泛化能力肯定还是很差。同时第二种方法肯定会导致网络学到的东西受限于现有算法的知识，所以最终的结果是存在能力上限的。
这里还要扯一下生成对抗，这种极端环境图像处理面临的现实就是，无人知道真正的GT是什么样子的。那么生成的结果对不对都应该以人的主观作为唯一依据。那么使用生成对抗，让生成器生成结果由机器的鉴别器区分，真的有道理吗？如果大家都是陆地图像还稍微有点道理，但是水下图像这种，很大的域跨越，你要自然图像去训练完全没有道理的。
这是增强面临的问题。
二、现在大家怎么做的：以lichongyi和fuxueyang大佬为例（我不是对大佬有质疑，大佬在这方面的成就真的是非常屌，是我这辈子难以企及的高度）。单纯说这方面的工作，网络无论怎么搭，用全卷积，用传统方法结合深度学习，还是使用图卷积，使用transform，使用有效特征引导，使用循环卷积。无论怎么用网络，怎么搭网络，最终都摆脱不掉使用的数据集问题啊。深度学习之所以能学习就在于其是**_数据驱动___**的，这才是最重要的，如果你不搞定数据问题，你网络玩出花来不都是为了发文章吗？（这是国内生存现状，也是没办法的事），我很难相信这种网络会在能力跨度上有多高，确实不同算法也很有区别。
三、对其他图像处理领域（GT到底该怎么用）的思考：
到不敢说自己文章看的有多少多，但是以目前主要期刊（TIP/TMM/CSVT）的文章说一下，还有自然图像有GT就也病态起来了，到底是100%和GT一样好呢，还是能够额外增强的比GT更清晰好？？？真的是各有各的说法（都是为了自己的文章能发有自己的一套说法）。就我个人而言，我更偏向于向GT学习，但是不能局限于GT，GT只是为了让我们更好的驱动网络，但是网络的能力不应该受限于GT。应更清晰，更饱和，更美，才是对的（除非是那种要求保真度的任务，这种任务也只是应该要求宏观一致，细节更清晰）。所以我对所有使用全参考作为客观指标的文章，都抱有一定的怀疑态度，你单传越接近GT，我越觉得你有问题。
以上只是作为图像处理人的一面之词，受限于本人的知识量有限，可能说的不准确，不针对某人，如有误伤只能说一句对不起。