今日，小米发布了的***论文，基于弹性搜索(宏观+微观)在超分辨率问题上取得了令人震惊的结果。据介绍，此模型已经开源。
论文内容显示，在相当的FLOPS下生成了多个模型，结果完胜ECCV 2018明星模型CARNM(乘加数参数数量少，PNSR/SSIM指标高，文中称dominate)，这应该是截止至2018年可比FLOPS约束下的SOTA(涵盖ICCV 2017和CVPR2018)。而达到这样的效果，论文基于一台V100用了不到3天时间。需要指出的是，该项技术具有一定的普适性，理论上可以应用于任何监督学习，值得关注和学习。
此外，论文还给出了几个前向模型。要知道上一篇论文中他们初步结果是击败CVPR 2016，才半个月时间就提升这么大，这也进一步验证了Automl NAS技术的强大和可怕。
论文地址：https://arxiv.org/pdf/1901.07261v2.pdf
什么是图像的超分辨重构技术(Super-Resolution)
图像的超分辨重构技术是指从一张或多张低分辨率的图像中，重构出相应的高分辨率图像。主要分为两类，一是从单张低分辨率图像中重建出高分辨率图像。二是从多张低分辨率图像中重建出高分辨率图像。基于深度学习的SR，主要是基于单张图像的重构方法。其应用领域非常广泛，涉及军事、医学、地理等。
超分辨重构和去噪、去网格、去模糊等问题是类似的。对于一张低分辨图像，可能会有多张高分辨图像与之对应，因此通常在求解高分辨率图像时会加一个先验信息进行规范化约束。在传统的方法中，通常会先学习这个先验信息。而基于深度学习的SR方法，则是通过神经网络直接进行从低分辨图像到高分辨图像的端到端的学习。
