关于采用SR与LR拼接

[CuddleSabe]

您好，您的工作非常好👍
但是有一些小疑问：
您这里采用SR与LR进行拼接，而不是像DiffIR那样用GT与LR拼接，而后用只有LR输入的Estimator去蒸馏。
请问这两种方式有做过对比实验嘛？

[greatlog]

感谢肯定。
我们没有尝试DiffBIR这种蒸馏的方法，如果使用DiffBIR这种方法，整个过程需要分为多个步骤，训练GT Estimator -> 蒸馏 LR Estimator -> 训练 Restorer，思路和早期的IKC有点类似。可以尝试一下，从个人经验上讲，low-level任务中，端到端的方法指标上一般好于多阶段方法。

[para999]

您好，您的工作非常好👍 但是有一些小疑问： 您这里采用SR与LR进行拼接，而不是像DiffIR那样用GT与LR拼接，而后用只有LR输入的Estimator去蒸馏。 请问这两种方式有做过对比实验嘛？

我个人认为，不使用diff模型生成额外的HR或SR时，基于cnn或transformer的模型在推理时没有HR可用

[CuddleSabe]

您好，您的工作非常好👍 但是有一些小疑问： 您这里采用SR与LR进行拼接，而不是像DiffIR那样用GT与LR拼接，而后用只有LR输入的Estimator去蒸馏。 请问这两种方式有做过对比实验嘛？

我个人认为，不使用diff模型生成额外的HR或SR时，基于cnn或transformer的模型在推理时没有HR可用

推理的时候肯定是没有HR可用的，我指的是在训练的时候用HR+LQ输入的模块来蒸馏只有LQ输入的模块，通过知识蒸馏的方式来自动学习压缩感知

[para999]

您好，您的工作非常好👍 但是有一些小疑问： 您这里采用SR与LR进行拼接，而不是像DiffIR那样用GT与LR拼接，而后用只有LR输入的Estimator去蒸馏。 请问这两种方式有做过对比实验嘛？

我个人认为，不使用diff模型生成额外的HR或SR时，基于cnn或transformer的模型在推理时没有HR可用

推理的时候肯定是没有HR可用的，我指的是在训练的时候用HR+LQ输入的模块来蒸馏只有LQ输入的模块，通过知识蒸馏的方式来自动学习压缩感知

您好，请问您有尝试您所说的这种方法吗，想请教这种方法在bsr任务中是否有效。目前也不清楚如何更好的处理hr和sr。此外有看到一篇24cvpr上的cdformer论文，提供了一个处理思路。推荐您看一下。希望能与您进行更多的交流。

[CuddleSabe]

Reference i

之前CDformer的作者私信我说是看的我的那个blog搞得idea。。。不过我也是解析了一下DiffIR，cdformer总体和diffir并无太大区别。这两个就是我说的那种蒸馏方式

[CuddleSabe]

您好，您的工作非常好👍 但是有一些小疑问： 您这里采用SR与LR进行拼接，而不是像DiffIR那样用GT与LR拼接，而后用只有LR输入的Estimator去蒸馏。 请问这两种方式有做过对比实验嘛？

我个人认为，不使用diff模型生成额外的HR或SR时，基于cnn或transformer的模型在推理时没有HR可用

推理的时候肯定是没有HR可用的，我指的是在训练的时候用HR+LQ输入的模块来蒸馏只有LQ输入的模块，通过知识蒸馏的方式来自动学习压缩感知

您好，请问您有尝试您所说的这种方法吗，想请教这种方法在bsr任务中是否有效。目前也不清楚如何更好的处理hr和sr。此外有看到一篇24cvpr上的cdformer论文，提供了一个处理思路。推荐您看一下。希望能与您进行更多的交流。

CDformer感觉和DiffIR总体上并无区别。有意思的是作者在论文中引用了DiffiR，但是在效果对比中只和DiffIR的前作KDSR对比，很难评价其真正的创新性。。这两个都有一个普遍的问题就是都建立在图像内不同位置退化相同

[para999]

您好，您的工作非常好👍 但是有一些小疑问： 您这里采用SR与LR进行拼接，而不是像DiffIR那样用GT与LR拼接，而后用只有LR输入的Estimator去蒸馏。 请问这两种方式有做过对比实验嘛？

我个人认为，不使用diff模型生成额外的HR或SR时，基于cnn或transformer的模型在推理时没有HR可用

推理的时候肯定是没有HR可用的，我指的是在训练的时候用HR+LQ输入的模块来蒸馏只有LQ输入的模块，通过知识蒸馏的方式来自动学习压缩感知

您好，请问您有尝试您所说的这种方法吗，想请教这种方法在bsr任务中是否有效。目前也不清楚如何更好的处理hr和sr。此外有看到一篇24cvpr上的cdformer论文，提供了一个处理思路。推荐您看一下。希望能与您进行更多的交流。

CDformer感觉和DiffIR总体上并无区别。有意思的是作者在论文中引用了DiffiR，但是在效果对比中只和DiffIR的前作KDSR对比，很难评价其真正的创新性。。这两个都有一个普遍的问题就是都建立在图像内不同位置退化相同

大佬能否提供一下您所说的博客地址，希望学习一下。关于”建立在图像内不同位置退化相同“这个问题我也有考虑，但是目前好像并没有论文研究这个问题，之前在DASR的补充文件中有稍微提起。想知道大佬对这个问题是否还有更多的见解。

[CuddleSabe]

没有论文研究这个问题，之前在DASR的补充文件中有稍微提起。想知道大佬对这个问题是否还

其实是有论文研究这个的，目前有两个流派：第一种是只应用在denoise任务，主要是添加退化的时候就是局部加噪；第二个是通过额外的re-degrade分支来学习local-degrade representation；blog就算了怕被开盒哈哈哈。目前我们有一些解决方案但是很可惜不能透露:)