1. 项目整体设计与思路拆解

“基于深度学习的图像超分辨率重建”这个题目，每年毕业季都会被大量同学选中，原因很直接：效果肉眼可见、答辩好讲、Demo 演示直观。但真正动手做的时候，绝大多数人卡在同一个地方——不知道从哪一层开始拆。我见过太多项目最后变成“把一张图丢进某个现成模型跑一遍，截个图放进论文”，这种做法的风险在于答辩老师随口问一句“你的上采样为什么放在后面而不是前面”就直接崩盘。所以这篇内容我不打算给你一份能跑的代码就完事，而是把整个项目的设计脉络、每个模块为什么这么选、参数怎么定、坑在哪里，全部摊开讲清楚。

先说清楚这个技术是什么。图像超分辨率重建（Super-Resolution，简称 SR），本质是一个病态逆问题：给一张低分辨率图像（LR），恢复出高分辨率图像（HR）。为什么叫病态？因为从 LR 到 HR 的映射不是唯一的——同一张低清图，理论上可以对应无数张高清图。传统方法比如双三次插值（Bicubic），思路是“猜像素”，用周围已知像素做加权平均，结果是边缘糊、纹理丢、放大后有明显的涂抹感。深度学习方法的思路完全不同：它不猜，它从大量高清-低清配对样本里学一个映射函数，让网络记住“这种纹理在放大后应该长什么样”。这是本质区别，也是这个题目值得做的原因。

适合谁来参考这份内容？三类人：一是正在做相关毕设、需要把方案定下来的同学；二是想从零跑通一个完整图像复原 pipeline、但不想被论文公式劝退的开发者；三是对底层视觉感兴趣、想搞清楚 SRCNN 到 ESRGAN 这条演进线到底在演进什么的人。我下面所有的取舍，都按“毕设可落地、能讲清原理、效果拿得出手”这三个标准来定，不追求 SOTA，追求你自己能完全掌控。

1.1 为什么选“深度学习”而不是传统插值

这里必须先把选型逻辑讲透，因为这是答辩第一个会问的问题。传统插值方法的上采样核是固定的，Lanczos、Bicubic 这些核函数在设计时就假设了图像的局部平滑性，它们对自然图像的低频部分表现还行，但高频部分——也就是边缘和细节——会系统性丢失。你可以把插值理解成“用有限的已知信息做最优的平均”，而平均这个操作天生就会抹掉突变。

深度学习方法把这件事变成了数据驱动的函数拟合。以最经典的 SRCNN 为例，它只用了三层卷积：第一层做特征提取（9×9 卷积核，64 通道），第二层做非线性映射（1×1 或 5×5，32 通道），第三层做重建（5×5，输出通道数等于图像通道数）。就这么个结构，在当年就显著超过了 Bicubic。原因不难理解：卷积核的权重是从数据里学出来的，它学到的不是“平均”，而是“如何从邻域纹理推断出缺失的高频”。

我个人的经验判断是：如果你的毕设需要有一个明确的“方法对比”章节，那传统插值一定要做，但只作为 Baseline，不要花太多篇幅。用 Bicubic、双线性、最近邻三种各跑一遍，PSNR 通常比深度模型低 2~4 dB，这个差距在论文里足够有说服力，而且实现只需一行cv2.resize，性价比极高。

1.2 网络结构选型的三个梯度

这是我建议你在开题时就定死的东西。按难度和效果，我把可选方案分成三档，你对号入座：

入门档的价值被严重低估了。很多人一上来就想跑 ESRGAN，结果卡在显存不足、训练不收敛、GAN 训练崩掉这三个连环坑里，最后连一组能看的对比图都产不出来。SRCNN 虽然老，但它的训练流程极其干净：数据准备、前向、L1/L2 损失、反向、验证，五步闭环。你把它完整跑通一遍，对 LR-HR 配对、PSNR 计算、学习率衰减这些东西的理解会比看十篇论文都扎实。

主流档里我特别推荐EDSR 的精简版。原版 EDSR 有 43 个残差块、256 通道，参数量 4300 万，普通显卡根本扛不住。把残差块降到 8~16 个、通道数降到 64，参数量能压到 100 万以内，PSNR 依然能比 SRCNN 高 0.5 dB 以上。这个“精简”动作本身就是论文里可以写的一段：说明你在算力约束下做了怎样的结构裁剪，裁剪的依据是什么（比如去掉 BN 层，因为 EDSR 论文明确指出 BN 会破坏图像的颜色分布一致性）。这种取舍写出来是加分项。

进阶档的 SRGAN 系列，核心卖点不在 PSNR 而在感知质量。它用感知损失（Perceptual Loss，基于预训练 VGG 的特征距离）加对抗损失，让输出看起来更“锐”。代价是 PSNR 往往反而下降，因为 GAN 会生成一些原始图像里不存在的纹理细节。这个 trade-off 一定要在论文里讲清楚，否则老师看到你 PSNR 不如 EDSR 会以为你做错了。

1.3 上采样策略：前置还是后置

这是整个项目里最容易被忽略、但最影响显存占用的设计点。三种主流策略：

前置上采样（Pre-upsampling）：先用 Bicubic 把 LR 放大到目标尺寸，再送进网络。SRCNN 用的就是这个。优点是网络内部只需要做特征精修，逻辑简单；缺点是网络全程在高分辨率尺寸上做卷积，计算量和显存占用是后置方案的 4 倍（2 倍放大）到 16 倍（4 倍放大）。我在 4 倍放大、128×128 的 patch 上实测过，前置方案单 batch 显存占用接近后置的 3.8 倍，这个数字很直观地解释了为什么它被淘汰。

后置上采样（Post-upsampling）：网络全程在 LR 尺寸上运算，最后用一层 PixelShuffle（亚像素卷积）一次性放大。FSRCNN、ESPCN、ESRGAN 都是这个思路。PixelShuffle 的原理值得讲：它把通道维度的数据重排到空间维度。假设你要做 4 倍放大，最后输出 64 通道，PixelShuffle 会把这 64 通道按 4×4 的排布拆开，重组成 16 倍像素面积。数学上等价于C×r² → C通道、空间H×W → rH×rW的重排。这层的参数量是零，纯操作，所以既省参数又省计算。

渐进式上采样（Progressive）：LapSRN 的做法，分多个阶段逐步放大 2 倍。适合 8 倍这种超大倍率，毕设里基本用不上。

我的建议很明确：除非你要复现 SRCNN 做对比，否则一律用后置上采样。毕设的算力预算经不起前置方案的消耗，而且后置方案的思路在论文里更好写——“在低分辨率空间做特征提取，既降低了计算复杂度，又避免了前置插值引入的伪影”，这句话是有实打实的实验支撑的。

2. 数据准备与核心细节解析

数据这块是整个项目里最脏最累、但决定成败的环节。我见过太多项目模型结构抄得很漂亮，结果训练出来 PS NR 上不去、测试图全是噪点，一查发现训练集就 200 张图，而且 LR 是用 bicubic 下采样后又 JPEG 压缩过的，跟测试集的退化方式完全不一致。数据没对齐，模型再强也白搭。

2.1 训练集的获取与筛选

常用数据集有三类，我按推荐顺序排：

• DIV2K：1000 张 2K 分辨率的高质量自然图像，800 训练 / 100 验证 / 100 测试。这是做 SR 的标准选择，图像质量高、内容多样，几乎所有论文都用它。文件总量约 3.3 GB，下载下来解压即可用。
• Set5 / Set14 / BSD100 / Urban100：这几个是测试集，不用于训练。Set5 只有 5 张图，但它是 SR 领域的“黄金标准”，论文里不加 Set5 的 PSNR 会被认为不完整。Urban100 全是建筑纹理，特别能暴露模型在规则重复纹理上的表现差异，值得单独跑一组。
• 自建数据集：如果毕设要做特定领域（比如医学影像、卫星图、老照片修复），就得自己爬/采集。这时候一定要保证图像本身是高清的，不能用网上的压缩图当 HR，因为压缩伪影会被模型当成真实纹理学进去。

筛选原则我总结成三条，都是从踩坑里来的：第一，剔除有明显压缩块效应、模糊、过曝的图，宁可少一百张也不要脏数据；第二，保证内容多样性，人物、建筑、自然、文字都要有，纯风景数据集训出来的模型在人脸测试图上会烂得一塌糊涂；第三，统一色彩空间，RGB 三通道训练是最简单的，但如果你发现模型出现色偏，把训练和测试都转到 YCbCr、只对 Y 通道做超分、色度通道用双三次插值补上，这个技巧能显著压低色偏，代价是代码多几十行。

2.2 LR-HR 配对生成：最容易做错的一步

这一步必须讲透，因为它决定了你的模型学到的退化模型是什么。标准做法是：

import cv2 import numpy as np from glob import glob import os def generate_lr_pairs(hr_dir, lr_dir, scale=4, patch_size=96): os.makedirs(lr_dir, exist_ok=True) for hr_path in glob(os.path.join(hr_dir, '*.png')): hr = cv2.imread(hr_path, cv2.IMREAD_COLOR) if hr is None: continue # 关键：用 bicubic 下采样，与测试集保持一致 h, w = hr.shape[:2] lr = cv2.resize(hr, (w // scale, h // scale), interpolation=cv2.INTER_CUBIC) cv2.imwrite(os.path.join(lr_dir, os.path.basename(hr_path)), lr)

看起来简单，但有三个隐藏坑：

坑一：插值方式不对称。训练用 bicubic 下采样，测试如果也用 bicubic，那你的模型其实是“在学 bicubic 的逆”，这个设定叫做非盲超分，是学术界的标准设定。但如果你测试时用手册里那种自带退化的真实低清图，分布完全不匹配，效果会断崖式下跌。所以论文里一定要明确写“采用 bicubic 下采样退化”，这是诚实也是规范。

坑二：下采样后尺寸不是整数倍。用w // scale会丢几个像素，导致 LR 上采样回去后跟 HR 尺寸差 1~2 像素，计算 PSNR 时直接报错或者错位。规范做法是先把 HR 中心裁剪成 scale 的整数倍：h = h - h % scale、w = w - w % scale，再下采样。这个细节看起来小，但不做的话你在验证阶段会浪费一整个晚上的时间去 debug。

坑三：PNG 和 JPEG 的选择。中间产物一律存 PNG，因为 JPEG 是有损的，会引入额外伪影污染配对关系。我见过有人图省事全部存 jpg，结果模型在平整区域产生奇怪的块状纹理，查了两天才查到这儿。

至于退化增强，如果想让模型更鲁棒，可以在标准 bicubic 之外再加一组高斯模糊 + 噪声的退化路径，训练时随机二选一。这属于“盲超分”的思路，会让论文更有深度，但 PSNR 指标会略降，需要你自己权衡。

2.3 训练 patch 的裁剪策略

不能把整张 2K 图直接喂进网络，显存撑不住，而且全图训练的效率很低。标准做法是裁 patch：

• HR patch 尺寸：96 或 128。太小（如 48）会导致卷积上下文不足，感受野覆盖不到足够信息；太大显存爆。以 4 倍放大为例，HR 128 对应 LR 32，LR 32 经过 16 个残差块的网络，3 层 64 通道的卷积，感受野大约能覆盖到 40~50 像素，勉强够用。
• 每个 epoch 的 patch 数量：从每张图上随机裁 8~16 个，DIV2K 的 800 张图就是 6400~12800 个 patch。
• 随机翻转与旋转：水平翻转、垂直翻转、90/180/270 旋转，四种操作组合出 8 倍数据增强。这个操作对 SR 是完全无损的，因为图像旋转不改变退化关系，所以一定要开。

这里有个实操心得：裁剪时用随机位置，但每个 epoch 重新裁一次，不要裁一次存盘反复用。前者相当于无限的样本空间，后者容易过拟合到固定的局部区域。实现上用 Dataset 的__getitem__里实时裁，配合 DataLoader 的多进程，速度完全跟得上。

3. 实操过程与核心环节实现

这一节给你一条能直接走通的路径。我按“能跑起来 → 能训出效果 → 能拿出数据”三步走，每步都给出关键代码和参数，你照着改就行。

3.1 环境搭建与依赖确认

环境这块不复杂，但有版本坑。我的建议：

# 环境隔离，避免污染 conda create -n sr_env python=3.8 -y conda activate sr_env # PyTorch 按你的 CUDA 版本装，这里以 CUDA 11.3 为例 pip install torch==1.10.2 torchvision==0.11.3 -f https://download.pytorch.org/whl/cu113/torch_stable.html # 其余依赖 pip install opencv-python numpy scikit-image tqdm tensorboard Pillow

几个必须注意的点：scikit-image里的skimage.metrics.peak_signal_noise_ratio和structural_similarity是算指标的标配，但它默认的 data_range 是 1.0，如果你的图像是 uint8 [0,255] 范围，必须显式传data_range=255，否则算出来的 PSNR 会离谱。这个坑我踩过，输出 200 多 dB 的时候还以为自己训出了奇迹。

Python 版本建议 3.8~3.9，太新的话某些库的轮子还没跟上。PyTorch 版本不必追新，1.10 之后的版本对这个任务没有实质差别，反而是老版本资料多、报错好查。

3.2 模型定义：从零写一个 EDSR-lite

我贴一份我常用的精简版结构，带详细注释。这个结构在 4 倍放大下有约 130 万参数，单张 11 GB 显卡训练无压力：

import torch import torch.nn as nn class ResidualBlock(nn.Module): def __init__(self, n_feats=64): super().__init__() # EDSR 的关键设计：去掉 BN 层 self.body = nn.Sequential( nn.Conv2d(n_feats, n_feats, 3, padding=1), nn.ReLU(inplace=True), nn.Conv2d(n_feats, n_feats, 3, padding=1) ) def forward(self, x): # 局部残差连接，缓解深层网络的梯度消失 return x + self.body(x) class EDSRLite(nn.Module): def __init__(self, scale=4, n_resblocks=12, n_feats=64, in_ch=3, out_ch=3): super().__init__() self.scale = scale # 浅层特征提取 self.head = nn.Conv2d(in_ch, n_feats, 3, padding=1) # 深层特征提取：堆叠残差块 self.body = nn.Sequential(*[ResidualBlock(n_feats) for _ in range(n_resblocks)]) self.body_conv = nn.Conv2d(n_feats, n_feats, 3, padding=1) # 上采样：PixelShuffle，倍数由 scale 决定 self.up = nn.Sequential( nn.Conv2d(n_feats, out_ch * (scale ** 2), 3, padding=1), nn.PixelShuffle(scale) ) def forward(self, x): f = self.head(x) res = self.body(f) res = self.body_conv(res) # 全局残差：把浅层特征直接加到深层特征上 f = f + res return self.up(f)

这段代码里有三个设计点必须能讲清楚，答辩必问：

为什么去掉 BN？BN 在图像分类任务里能加速收敛、稳定训练，因为它对每层的激活做归一化。但 EDSR 的论文里明确指出，BN 会破坏图像的颜色分布一致性——它把每个通道的特征都拉到零均值单位方差，而图像重建任务对绝对幅值很敏感，归一化之后输入和输出的颜色关系就断掉了。去掉 BN 之后，模型的颜色还原明显更准，同时还能省下约 20% 的显存。

为什么用局部 + 全局双重残差？局部残差（x + body(x)）解决的是深层网络的梯度流动问题，让梯度能绕过卷积层直接回传；全局残差（f + res）解决的是低频信息复用问题——LR 里本来就有的低频结构，没必要让深层网络重新学一遍，直接加过去更高效。这个设计直接影响到训练初期的收敛速度，我做过对比，去掉全局残差的话前 20 个 epoch 的 loss 下降会慢大概一半。

为什么最后才上采样？前面说过了，全流程在 LR 空间运算，最后 PixelShuffle 一次性放大。你可以算一笔账：128×128 的输入，如果用前置上采样先放大到 512×512，中间 12 个残差块的每一层卷积都是在 512×512 上做的，计算量是后置方案的 16 倍。这个数量级的差距，直接决定你能不能在毕设周期内训完。

3.3 损失函数与评价指标

损失函数的选择直接决定输出风格，这是我觉得最有意思的一块。

L1 损失：|pred - gt|的绝对值之和。梯度稳定，对异常值不敏感，训出来的结果偏平滑但 PSNR 高，是目前 SR 任务的最优选择之一。

L2 损失：(pred - gt)²的平方和，等价于 MSE。早期 SRCNN 用的这个，但它对大误差惩罚过重，导致模型倾向于输出“平均值”，边缘容易糊。如果你的模型训出来偏软，第一件事就是把 L2 换成 L1。

感知损失：把预测图和真值图分别过一遍预训练的 VGG19，取某几层的特征图算 L2 距离。它优化的不是像素级相似，而是“特征级相似”，视觉上更自然。

对抗损失（GAN 用）：让判别器区分真假，生成器要骗过判别器。这是 ESRGAN 的核心，能逼出高频细节，但训练极不稳定。

针对毕设，我的建议是L1 + 可选感知损失。损失写起来很简单：

import torch.nn as nn class CharbonnierLoss(nn.Module): # L1 的平滑版本，在 0 附近可导，训练更稳 def __init__(self, eps=1e-6): super().__init__() self.eps = eps def forward(self, pred, target): diff = pred - target return torch.mean(torch.sqrt(diff * diff + self.eps))

Charbonnier 是 L1 的改良版，在梯度上更平滑，我实测下来比纯 L1 收敛曲线更好看，论文里写出来也显得有讲究。

评价指标上，PSNR 和 SSIM 两个必出。PSNR 走的是像素误差的 log 换算，公式是20 * log10(MAX / sqrt(MSE))，MAX 一般取 255。SSIM 衡量的是亮度、对比度、结构的综合相似度，取值 0~1，比 PSNR 更贴近人眼感受。

但这里必须提醒一句：PSNR 高的模型视觉上不一定好看。我在做 4 倍放大时对比过，某个 L1 训出来的模型 PSNR 比 GAN 版本高 1.2 dB，但眼睛一看，GAN 版本的建筑边缘清晰得多，L1 版本像蒙了层雾。这就是所谓的“PSNR 与感知质量的不一致”，论文里写一段这个讨论，能明显体现你的思考深度。

3.4 训练循环与关键超参

训练循环是标准模板，重点在超参的设定逻辑：

import torch from torch.utils.data import DataLoader def train_one_epoch(model, loader, optimizer, criterion, device): model.train() total_loss = 0.0 for lr_imgs, hr_imgs in loader: lr_imgs = lr_imgs.to(device, non_blocking=True) hr_imgs = hr_imgs.to(device, non_blocking=True) optimizer.zero_grad(set_to_none=True) preds = model(lr_imgs).clamp(0, 1) # 输出限幅，防止异常值 loss = criterion(preds, hr_imgs) loss.backward() optimizer.step() total_loss += loss.item() * lr_imgs.size(0) return total_loss / len(loader.dataset) # 主配置 config = { 'scale': 4, 'batch_size': 16, 'lr': 1e-4, 'epochs': 200, 'patch_size': 96, } optimizer = torch.optim.Adam(model.parameters(), lr=config['lr'], betas=(0.9, 0.999)) scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=60, gamma=0.5)

超参的设定依据要能说出来：

batch_size=16。32 也可以，但要看显存。batch 太小（如 4）会导致 BN（虽然这里没有）和梯度的方差大，训练震荡；batch 太大在小数据集上容易过拟合。16 是个稳的中间值，11 GB 显存跑 128 patch 完全够。

初始学习率 1e-4。这是 Adam 在 SR 任务上的经验值。用 1e-3 会发散或者 loss 震荡，用 1e-5 收敛太慢，200 epoch 训不完。我在 SRCNN 上试过 1e-3，前 30 个 epoch loss 一直上下跳，换成 1e-4 后立刻就稳了。

StepLR 的 60/0.5 设定。意思每 60 个 epoch 学习率减半，200 epoch 一共衰减 3 次。这个节奏跟经验上的收敛曲线匹配：前 60 个 epoch 快降，中间 60 个 epoch 精修，最后 60 个 epoch 微调。也可以换 CosineAnnealing，效果差不多，但 StepLR 更直观、好解释。

输出限幅.clamp(0, 1)。这一步很容易忘，但很重要。模型的输出理论上应该在 [0,1]，但训练不稳定时会冒出负值或超过 1 的值，如果不限幅，这些值会污染 loss 和 PSNR 计算，还会让生成的图出现亮点。加上这一行，白点问题基本消失。

3.5 验证、保存与推理

验证阶段要做三件事：算 PSNR/SSIM、存可视化对比图、保存最优权重。

import numpy as np def evaluate(model, val_loader, device, data_range=1.0): model.eval() psnr_list, ssim_list = [], [] with torch.no_grad(): for lr_imgs, hr_imgs in val_loader: lr_imgs, hr_imgs = lr_imgs.to(device), hr_imgs.to(device) preds = model(lr_imgs).clamp(0, 1) # 逐张计算，避免 batch 内平均导致的偏差 for p, g in zip(preds, hr_imgs): p_np = p.cpu().numpy().transpose(1, 2, 0) g_np = g.cpu().numpy().transpose(1, 2, 0) psnr_list.append(psnr(p_np, g_np, data_range=data_range)) ssim_list.append(ssim(g_np, p_np, multichannel=True, data_range=data_range)) return np.mean(psnr_list), np.mean(ssim_list)

必须提醒的两个细节：一，验证时要逐张算指标再取平均，不要整个 batch 混在一起算。因为 PSNR 是 log 尺度的量，先平均 MSE 再换算，和先换算再平均，结果会不一样，后者才是论文里的标准做法。二，推理时要处理尺寸对齐。如果 LR 的尺寸不是 scale 的整数倍，PixelShuffle 放大后的尺寸可能和预期差 1 像素，稳妥的做法是推理前把 LR 的边缘 padding 到整数倍，推理后裁掉多余部分。

保存策略上，我建议同时保存 last 和 best。best 按验证集 PSNR 挑，last 留着做断点续训。另外每 10 个 epoch 存一次 checkpoint，训练中断了不至于从头再来——这个习惯救过我至少三次。

3.6 对比实验的设计

毕设要出彩，对比实验比模型本身更重要。我建议至少做四组：

消融实验的表格一定要做，这是低成本高回报的加分项。拿掉全局残差后 PSNR 掉 0.15 dB，拿掉 L1 换 L2 后掉 0.2 dB，这种数字虽然小，但能明确说明“每个设计都不是随便加的”。视觉对比图的制作技巧我后面会讲。

4. 常见问题与排查技巧实录

这一节是整篇里最“只可意会”的部分，全是我和同组同学、以及帮别人看代码时真实碰到的问题。按发生频率从高到低排。

4.1 训出来全是噪点或方格

这是最高频的问题，症状是输出图像上布满规则的网格纹理或彩色噪点。原因基本只有一个：PNG 数据在读取和归一化时出了错。

排查顺序我固定成三步。第一步，检查归一化。如果用ToTensor()，它自动把 [0,255] uint8 转成 [0,1] float，这时候模型输出也在 [0,1]，可视化时要乘 255 再转 uint8。如果用的是cv2.imread后手写img.astype(np.float32) / 255.0，那要确认除的是 255 而不是 256——我见过有人写/ 256，颜色整体偏暗，模型怎么训都是灰的。

第二步，检查通道顺序。cv2.imread读出来是 BGR，PyTorch 的ToTensor不会帮你转 RGB。如果你的真值是 RGB 而预测是 BGR 顺序，PSNR 会低得离谱，且输出的图颜色诡异（红蓝互换）。修法就一行：cv2.cvtColor(img, cv2.COLOR_BGR2RGB)。

第三步，检查数据加载是否用了num_workers > 0但自定义 Dataset 里有共享状态。多进程下如果有可变对象被多个 worker 修改，可能读到错位的样本，表现为间歇性的乱数据。快速验证法是把num_workers设成 0 跑几个 batch，如果问题消失，就是这里的问题。

还有一种可能是学习率太大导致发散。判断依据：看 loss 曲线，如果前几个 epoch 就跳到 nan 或者剧烈震荡，基本就是 lr 太大或者数据里有 nan。修法是降到 1e-4 并加梯度裁剪：torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=10)。

4.2 PSNR 卡在 25 dB 上不去

4 倍放大下，DIV2K 训练、Set5 测试，正常水平应该在 28~32 dB 区间（视模型而定）。如果卡在 25 附近死活不动，我按可能性排了一张表：

单 batch 过拟合测试是排查网络结构问题的黄金手段，很多人不知道。做法：取一个 batch（比如 8 张图），让模型在这 8 张图上反复训 500 次，如果 loss 能降到接近 0、输出接近真值，说明网络结构和前向反向都没问题，问题在数据或超参；如果降不下去，说明结构里有 bug（比如短路了、激活函数用错、输出没接上）。这个测试十分钟就能做完，比盲改三天强。

还有一个隐蔽的原因是训练集和验证集的退化方式不一致。如果你的验证图是从论文作者提供的 LR 包里拿的，而那个包是用 MATLAB 的 imresize 生成的（MATLAB 的 bicubic 和 OpenCV 的实现有细微差异），那指标会系统性偏低。修法是自己用 OpenCV 重新生成一套 LR 验证集，保证和训练同源。

4.3 显存不够的三种解法

显存是毕设最硬的约束。我按优先级给三个方案：

方案一：减 patch 尺寸。从 128 降到 96 甚至 64，显存占用大致按面积下降，128 降到 96 能省约 44%。代价是感受野变小，但 64 以上的 patch 对 4 倍放大通常还够用。

方案二：梯度累积。想保持等效 batch_size 又不爆显存，可以每 4 个 batch 才optimizer.step()一次：

accum_steps = 4 for i, (lr_imgs, hr_imgs) in enumerate(loader): preds = model(lr_imgs.to(device)) loss = criterion(preds, hr_imgs.to(device)) / accum_steps loss.backward() if (i + 1) % accum_steps == 0: optimizer.step() optimizer.zero_grad()

注意 loss 要除以累积步数，否则梯度会放大 4 倍。这个技巧等价于 batch 16 但只占 batch 4 的显存，非常实用。

方案三：混合精度训练（AMP）。用torch.cuda.amp，显存能省 30~50%，速度还快一点：

from torch.cuda.amp import autocast, GradScaler scaler = GradScaler() with autocast(): preds = model(lr_imgs) loss = criterion(preds, hr_imgs) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update()

但 AMP 在 SR 任务上有个坑：PSNR 可能轻微下降。原因是半精度浮点的动态范围有限，某些小的像素差值会被截断。如果指标要求严格，建议验证时关掉 autocast，用全精度算指标。

4.4 输出偏色与过度平滑

偏色的典型表现是重建图整体偏黄或偏蓝，在纯色区域尤其明显。根本原因一般是 BN 层或者训练数据色彩分布不均。修法优先级：一是去掉 BN（如前面所述）；二是检查训练集是否偏向某种色调（比如全是夕阳照）；三是在 YCbCr 空间只超分 Y 通道，色度通道用插值补齐，这个做法能直接消灭色偏，因为色度信息根本没经过网络。

过度平滑指的是边缘软、纹理像被抹开。这个是 L2/L1 损失的通病，解法有三：换成感知损失、加 GAN 分支、或者单纯在推理时叠一点锐化（不推荐，属于作弊）。我个人的建议是：如果毕设要求 PSNR，就接受平滑，在论文里说明“这是像素级损失的固有特性”；如果要求视觉效果，就上 GAN，同时坦白 PSNR 的下降。两条路都站得住脚，最怕的是既想要 PSNR 又要锐度还不肯改损失函数。

4.5 答辩时最容易被追问的五个点

我把这五个点列出来，你提前把答案想好，能省很多临场慌乱：

1. “你的方法和 SRCNN 有什么本质区别？”答：SRCNN 是前置上采样、三层卷积、L2 损失；我的是后置上采样、残差结构、L1 损失。前者计算冗余且深层能力弱，后者在同等算力下能堆更深的网络。

2. “PSNR 高就代表人眼看着好吗？”答：不一定。PSNR 是像素误差的统计量，对结构性失真不敏感。这也是为什么我要同时报 SSIM 并附视觉对比图。

3. “为什么用 bicubic 下采样？真实场景的低清图不是这么来的。”答：这是学术界的标准设定（非盲超分），便于公平对比。如果要处理真实退化，需要引入盲超分或退化建模，这是本工作的局限和后续方向。

4. “参数量才 100 多万，是不是太简单了？”答：结构精简是刻意的取舍，目的是在有限算力下训到收敛，并且消融实验证明每个模块都有贡献。参数量不是目的，效果和可解释性才是。

5. “如果给你更多算力你会怎么做？”答：加残差块到 32 个、通道到 128，或者引入通道注意力（RCAN 的思路），再试 GAN 分支做感知质量对比。这个回答既诚实又显得你有规划。

4.6 几条不那么正经但很有用的经验

最后分享几个不太上得了论文、但实操中真的省事的小技巧。

验证集别用太多图。Set5 就 5 张，一次验证 10 秒，能让你每 5 个 epoch 就验一次，及时看到趋势。如果用 Urban100 的 100 张图，每次验证几十秒，训练节奏全乱了。我的做法是训练中只跑 Set5，最终出表时再跑全套。

TensorBoard 一定要开。不是为了好看，而是 loss 曲线、学习率曲线、验证指标曲线放在一起看，能定位很多问题。比如你发现 loss 在降但 PSNR 在降，说明是过拟合；loss 平台期正好对应学习率衰减点，说明衰减节奏是对的。

对比图的做法有讲究。不要整图并排，要裁一个 64×64 的局部区域放大 4 倍展示，选有细密纹理的地方（比如建筑的窗格、动物的毛发、文字边缘）。整图对比在投影仪上根本看不出差别，局部放大才有冲击力。裁的时候在图上画个红框标明位置，这个小细节能明显提升答辩观感。

留一份“退化版”的结果备用。有时候模型在 bicubic 设定下指标漂亮，但老师随手拿手机拍的一张模糊图丢给你测，效果惨不忍睹。如果你提前准备了一组在“模糊+噪声”退化下微调过的权重，现场就能接住。这属于加分项，成本不高，收益很大。

训练日志一定要存文件。除了 TensorBoard，用logging把每个 epoch 的 loss、lr、PSNR、SSIM 写成 txt。答辩前写论文的时候，这些数字就是你的素材库，比回头翻终端记录靠谱一百倍。