小米FALSR算法正式开源，在图像超分辨率工程应用领域取得重大突破成果。据介绍，该模型已经开源。 论文内容显示，在相当大的FLOPS下生成了多个模型，结果完全优于ECCV2018星模型CARNM（乘加参数数量少，PNSR/SSIM指标高，且文本名为dominate），在年度可比FLOPS约束下（涵盖ICCV2017和CVPR2018），应该是2018年SOTA的末尾。为了达到这样的效果，论文在一台V100的基础上用了不到3天的时间。需要指出的是，该技术具有一定的普适性，理论上可以应用于任何监督学习，值得关注和研究。 此外，论文还给出了几个正向模型。要知道在之前的论文中，他们的初步成绩是击败了CVPR2016，仅仅半个月的时间就进步如此之大，进一步验证了AutomlNAS技术的强大和可怕。 论文地址：https://arxiv.org/pdf/1901.07261v2.pdf 什么是图像超分辨率重建技术（Super-Resolution） 图像超分辨率重建技术是指从一或更多低分辨率图像，重建相应的高分辨率图像。主要分为两类，一类是从单幅低分辨率图像重建高分辨率图像。第二种是从多个低分辨率图像重建高分辨率图像。基于深度学习的SR主要是一种基于单幅图??像的重建方法。其应用领域十分广泛，涉及军事、医学、地理等。 超分辨率重建类似于去噪、去网格、去模糊等问题。对于一张低分辨率图像，可能有多张高分辨率图像与之对应，因此在求解高分辨率图像时通常会加入先验信息用于归一化约束。在传统方法中，通常首先学习这些先验信息。基于深度学习的SR方法直接通过神经网络进行从低分辨率图像到高分辨率图像的端到端学习。
