摘要
深度卷积神经网络在超分辨率领域展示了令人印象深刻的结果。一系列研究集中于通过使用更深的层来提高峰值信噪比（PSNR），但这些方法对资源受限的环境并不友好。在恢复能力和模型简洁性之间寻求平衡仍然是一个非 trivial 的问题。近期的研究努力手动最大化这一平衡，而我们的工作则通过神经架构搜索自动实现了相同的目标。具体而言，我们采用多目标方法处理超分辨率问题。我们还提出了一种基于混合控制器的弹性搜索策略，该控制器结合了进化计算和强化学习的优势。定量实验帮助我们得出结论：生成的模型在单个 FLOPS 方面优于大多数现有方法。注释：- “non-trivial” 在科技文献中通常译为“非平凡”或“复杂”，这里选择“非 trivial”是为了保留原文的表达方式，但在正式场合建议使用“复杂”。- “FLOPS” 是“floating-point operations per second”的缩写，即每秒浮点运算次数，在此上下文中指模型的计算复杂度。