今日，小米發布了的***論文，基于彈性搜索(宏觀+微觀)在超分辨率問題上取得了令人震驚的結果。據介紹，此模型已經開源。

　　論文內容顯示，在相當的FLOPS下生成了多個模型，結果完勝ECCV 2018明星模型CARNM(乘加數參數數量少，PNSR/SSIM指標高，文中稱dominate)，這應該是截止至2018年可比FLOPS約束下的SOTA(涵蓋ICCV 2017和CVPR2018)。而達到這樣的效果，論文基于一臺V100用了不到3天時間。需要指出的是，該項技術具有一定的普適性，理論上可以應用于任何監督學習，值得關注和學習。

　　此外，論文還給出了幾個前向模型。要知道上一篇論文中他們初步結果是擊敗CVPR 2016，才半個月時間就提升這么大，這也進一步驗證了Automl NAS技術的強大和可怕。

　　論文地址：https://arxiv.org/pdf/1901.07261v2.pdf

　　什么是圖像的超分辨重構技術(Super-Resolution)

　　圖像的超分辨重構技術是指從一張或多張低分辨率的圖像中，重構出相應的高分辨率圖像。主要分為兩類，一是從單張低分辨率圖像中重建出高分辨率圖像。二是從多張低分辨率圖像中重建出高分辨率圖像。基于深度學習的SR，主要是基于單張圖像的重構方法。其應用領域非常廣泛，涉及軍事、醫學、地理等。

　　超分辨重構和去噪、去網格、去模糊等問題是類似的。對于一張低分辨圖像，可能會有多張高分辨圖像與之對應，因此通常在求解高分辨率圖像時會加一個先驗信息進行規范化約束。在傳統的方法中，通常會先學習這個先驗信息。而基于深度學習的SR方法，則是通過神經網絡直接進行從低分辨圖像到高分辨圖像的端到端的學習。