有关论文实验部分和网络结构的几个问题 about meta-sr-pytorch HOT 1 CLOSED

非常感谢您的提问。首先就论文写作不足致歉。关于每个疑问的回复如下：

1. 见下图
   
   上图应该能解决你第一问所有的问题；

2. 这个问题还是因为你对Meta-Bicu不理解。假设你将一个图片放大四倍，再用3 * 3的卷积去卷积的时候，它只用到了原图上周围2 * 2的点，插值1.5倍时，本质用到原图3*3上的点。FOV的定义我就不过多介绍了。

3. 所有baselines都是在多scale factor上训练的单模型。

4. 一个应该是歧义导致的，文章中的these two methods是指EDSRx1和RDNx1，不过导致歧义确实也需要修改。第二个，论文里没错吧。我就是这么写的啊。您在仔细看看。

5. 文章中限于篇幅没有讨论。我给您贴张表吧。
   

6. 不在于多尺度(scale factor？）吧。我们的Meta-SR是可以在单尺度（scale factor)上训练的；还是在于基于卷积放大的方法要优于插值放大，再利用meta-learning。这两者一起才是这个方法优于其他方法的原因。您可以比较Meta-Conv 和 Meta-SR，这里说明了插值的放大的方法比不过基于卷积放大。
   你提的实验文章都给出了吧？
   在所有比较的baseline中，它们都是多尺度训练的，既然如此为什么考虑这个？这是一个不变量。
   注：文章的目的是要设计一个算法，实现单模型任意放大倍数。

7. 您这种做法（应该称为Meta-nearest）应该还不如我的Meta-Bicu，本质上改变的只有插值放大的模式，采用bicubic还是nearest。至于如果您是考虑浪费了很多额外的运算的话, 主要这是我能想到最合理的矩阵实现方式。如果您有更好的，您可以提供伪代码。我来实现。

from meta-sr-pytorch.