Low-level任務：常見的包括 Super-Resolution，denoise， deblur， dehze， low-light enhancement， deartifacts等。簡單來說，是把特定降質下的圖片還原成好看的圖像，現在基本上用end-to-end的模型來學習這類?ill-posed問題的求解過程，客觀指標主要是PSNR，SSIM，大家指標都刷的很高。目前面臨以下幾點問題：

• 泛化性差，換個數據集，同種任務變現就很差
• 客觀指標與主觀感受存在，GAP，指標刷很高，人眼觀感不佳，用GAN可緩解
• 落地的問題，SOTA模型運算量很(上百G Flops)，但實際不可能這么用
• 主要是為人眼服務，缺乏與High-level之間的聯系

High-level任務：分類，檢測，分割等。一般公開訓練數據都是高品質的圖像，當送入降質圖像時，性能會有下降，即使網絡已經經過大量的數據增強（形狀，亮度，色度等變換）

真實應用場景是不可能像訓練集那樣完美的，采集圖像的過程中會面臨各種降質問題，需要兩者來結合。簡單來說，結合的方式分為以下幾種

• 直接在降質圖像上fine-tuning
• 先經過low-level的增強網絡，再送入High-level的模型，兩者分開訓練
• 將增強網絡和高層模型（如分類）聯合訓練

總結

以上是生活随笔為你收集整理的什么是low-level、high-level任务的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。