当前位置: 首页 > 工具软件 > level > 使用案例 >

什么是low-level、high-level任务

笪波鸿
2023-12-01

Low-level任务:常见的包括 Super-Resolution,denoise, deblur, dehze, low-light enhancement, deartifacts等。简单来说,是把特定降质下的图片还原成好看的图像,现在基本上用end-to-end的模型来学习这类 ill-posed问题的求解过程,客观指标主要是PSNR,SSIM,大家指标都刷的很高。目前面临以下几点问题:

  • 泛化性差,换个数据集,同种任务变现就很差
  • 客观指标与主观感受存在,GAP,指标刷很高,人眼观感不佳,用GAN可缓解
  • 落地的问题,SOTA模型运算量很(上百G Flops),但实际不可能这么用
  • 主要是为人眼服务,缺乏与High-level之间的联系

High-level任务:分类,检测,分割等。一般公开训练数据都是高品质的图像,当送入降质图像时,性能会有下降,即使网络已经经过大量的数据增强(形状,亮度,色度等变换)

真实应用场景是不可能像训练集那样完美的,采集图像的过程中会面临各种降质问题,需要两者来结合。简单来说,结合的方式分为以下几种

  • 直接在降质图像上fine-tuning
  • 先经过low-level的增强网络,再送入High-level的模型,两者分开训练
  • 将增强网络和高层模型(如分类)联合训练
 类似资料: