2022年07月08日:Efficient and Degradation-Adaptive Network for Real-World Image Super-Resolution
- 主页 /
- 通知公告 /
- 通知公告
2022年07月08日:Efficient and Degradation-Adaptive Network for Real-World Image Super-Resolution
【报告内容】
2022.7.8 讨论课,时间:19:30,腾讯会议:981 3177 4321
汇报人:毛矛
单 位:河海大学
《Efficient and Degradation-Adaptive Network for Real-World Image Super-Resolution》
1. Background
2. Contributions
3. Method
4. Experiments
【报告总结】
1.本文的下采样方法是如何实现的?
答:作者定义了三种不同程度的下采样标准,给出了明确的约束指标。
2.能不能科普一下L1loss和L2loss?
答:l1 loss在零点不平滑,用的较少。一般来说,l1正则会制造稀疏的特征,大部分无用的特征的权重会被置为0。对离群点比较敏感,如果feature是unbounded的话,需要好好调整学习率,防止出现梯度爆炸的情况。l2正则会让特征的权重不过大,使得特征的权重比较平均。
3.本文大概需要迭代多少次?
答:大约一百万次迭代。
4.本文的标题是否有一定的问题?
答:对于本文标题中的高效和自适应性确实都缺乏一定的可解释性。
报告时间:2022年07月08日19:30
腾讯会议ID:981 3177 4321
点我下载本讨论课相关文献或PPT吧~(提取码:iipr)