【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)