超分辨率技术取得新进展：能还原打码图片(2)

总体而言，本文为解决超分辨率问题提供了一个具有扎实理论分析的新框架。虽然论文里的想法很新颖，研究人员也探索了很多方法，但仍然遗漏了某些问题的必要性，还需要进行更多实验。这项工作将大大地启发同领域的其他研究人员。

评审

评审1：

打分结果：9：入选论文的 Top15％，强烈建议该论文入选

评审情况：为迟迟未进行评审献上真诚的歉意。

这篇论文认为将超分辨率问题看作摊销最大后验概率估值。为了确保低分辨率图像输入能稳定输出相应高分辨率图像，研究人员提出了投影方案，并且通过实验验证，得出的图像结果确实比其他方法更佳。还进一步测试为了解决方程9中产生的交叉熵问题而提出的三种解决方法。

总结：这是一篇非常好的论文，文笔很好，问题的呈现和解决思路都表达得很清晰，实验结果也足够多。从文章可以看出，所用的toy example经过精心挑选，而且应用范围很接近现实生活。

根据我的理解，3.2、3.3、3.4节对超分辨率领域做出了新颖的贡献，但某些生成式对抗网络的训练变体，已经在其他地方出现过（另见讨论）。这篇论文基于生成式对抗网络模型的训练，得到了最具视觉吸引力的成果，这个发现表明了在这一领域，未来还可以取得进一步研究成果。我认为本文将与在未来超分辨率领域取得的进展息息相关。

此前应该再次通读手稿，论文存在少许需要修改的拼写错误。

评审2：有趣的论文

打分结果：7：好论文，入选

评审情况：本文提出了摊销最大后验概率估值方法来解决超分辨率问题。正是为了解决这个问题，论文通过学习神经网络，在网络中学习向仿射子空间进行投射，来保证输入低分辨率图像能稳定输出相应的高分辨率图像，从中提出了以下几种解决方法：生成式对抗网络，噪声辅助优化和密度辅助优化。

在几个数据集上得到的结果很好地证明这个方法是可行的。

虽然我觉得论文还可以继续打磨，文中展示的问题也还可以表述地更加透彻，但我现在就非常喜欢这篇论文了。看论文时，有时候很难跟得上文章的思维，而且考虑到某些问题的复杂性，如果把问题剖析得更简单一点，论文会更加完美。另外，我非常乐意看到更多关于结果和网络的分析 -——它们学到了什么功能？

评审3：Instance noise

评论内容：Salimans等人2016年在论文（https://github.com/openai/improved-gan）中，关于改进生成式对抗网络的补充部分，尽管描述地非常模糊，但他们也在输入端的鉴频器中加入了高斯噪声。而这篇论文提供了更多关于Instance noise为什么也能影响输出图像质量的理论，我认为这是一个实实在在的贡献。

（编辑：ASP站长网）