有许多朋友都问过我这个问题，有三兄为什么你不解读最新的论文呢？今天来给大家说道说道。

最新的论文解读当然是有的

其实最新的论文解读一直都是有的，只是没有放在公众号。我们的内容生态分为：书+季划+知识星球+直播+微信公众号几大块，这里我将微信公众号列在最后，是因为公众号的生态是免费的，面向的也是所有基础的人。

虽然我们的公众号生态已经很大，一年能做到500篇文章，但这不是我们的全部内容。

公众号大概有1/4的内容，星球大概有1/4的内容，剩下1/2的内容在书+季划+直播中。

那么最新文章的解读在哪里呢？答案是有三AI知识星球，比如下面是对近期导致LeCun退出Twitter的PULSE论文的分享解读。

有三AI知识星球-网络结构1000变

PULSE

PULSE(Photo Upsampling via Latent Space Exploration)是一个自监督的基于图像生成的超分辨框架，可以实现高达64倍的超分辨。

作者/编辑 言有三

一般来说，超分辨就是从低分辨率图LR到高分辨率图HR的转换，最简单的就是插值法，复杂一些的就是使用网络对像素进行学习补全，以MSE为优化目标的方法的缺陷主要在于结果会趋向平均，本质上是一系列高分辨率图像进行加权平均的结果，因此比较模糊，这无法通过调整网络结构解决，感知损失和GAN框架常被用于对结果进行改进，但仍然会使得重建结果不真实，缺乏细节。

PULSE方法则开辟了新的思路，它要找到一个解，使得从多幅高分辨率图进行下采样，可以得到同样的低分辨率图，如下图。高分辨率图则是通过生成网络框架生成，比如StyleGAN生成的人脸。

从低分辨率图到高分辨率图的转换是一个一对多的问题，本框架要解决的问题如下：

其中I是一个高分辨率的图片集合，DS就是降采样操作，上式的意义就是要找到一系列的I组成的集合Rε，使其降采样后与真实的低分辨率图像ILR最接近。

因此，PULSE的整个流程不是通过给低分辨率图进行逐步上采样，补充细节，而是遍历生成的HR图像，并将这些HR图像对应的LR图像与输入图原图进行对比，其中最接近的就是解，这是和当前大部分超分辨框架的不同之处。

上图是一个从原始空间到隐空间的示意图，其中深色部分表示是一个比较自然的解区间，而以FSRNet，FSRGAN为代表的方法则不在这个解区间中。PULSE可以约束搜索空间在自然解组成的范围，从而保证结果的真实性。

整个框架的优化目标被称为下采样目标，定义如下：

其中需要求得z满足下式，其中z分布在一个高维欧式空间的球形区域内：

下图展示了一些和其他方法的对比结果。

可以看出本方法的细节效果要好得多，下表展示的是主观评测分数，可以看出PULSE方法效果已经逼近真实解。

下图展示了不同失真下的恢复结果，可以看出模型的鲁棒性非常好。

不过该方法仅会生成实际上不存在但看上去很真实的新面孔，因为真实面孔本身的信息就是缺失的，这是不可能恢复的，必然是一个答案不唯一的解，可以通过对生成框架进行不同的噪声输入扰动来获取。

参考文献

[1] Menon S, Damian A, Hu S, et al. PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models[J]. arXiv: Computer Vision and Pattern Recognition, 2020.

所有的文章解读，都以知识卡片+论文的方式，在知识星球中进行分享，如下：

为什么选择知识星球呢？有这么几个原因。

(1) 知识星球可以每天无限发文，而公众号只能发一次。

(2) 知识星球可以一起发图片，PDF，代码，并且随时都可以更新。

(3) 知识星球是收费的。

所以这实现了自由的技术分享，并且可以让有三获得一些回报，内容全部在网络结构1000变标签中，有好几百期内容。每一篇文章解读都不是简单的信息罗列，而是认真研读过论文的精简总结，选择的也是比较具有价值的文章而不是水文。

如果你想跟读相关内容，那就扫码加入知识星球吧，一天不到一块钱。

星球的内容是非常多的，了解详细请阅读文章：

【杂谈】有三AI知识星球一周年了！为什么公众号+星球才是完整的？

【杂谈】万万没想到，有三还有个保密的‘朋友圈’，那里面都在弄啥！

各个方向都有对应的知识卡片，且会一直更新。

更看重知识的完整性

大家也看了我们不少文章了，不知道有没有注意到，我们的技术文章有几个特点。

(1) 不做单篇文章解读，而是会做总结性质的文章，里面必须拥有自己的思考，而不是对内容的简单翻译。

(2) 标题永远不带“xx机构，“xx大咖”，“xx会议”之类的字眼，我希望大家能够专注于内容本身，而不是被这些外物过多吸引眼球。

所以，我们几乎不会单独就一篇文章来占用公众号文章的发文资源。

关于论文阅读

关于论文的阅读和学习，虽然最新的研究往往有更好的结果，但对于还不熟悉该领域的同学来说，并不一定能够驾驭，所以建议大家还是循序渐进首先储备好相关知识，磨刀不误砍柴工，这样可能会更快。

所以，我们公众号准备了论文阅读板块，专门针对各个方向，挑选其中值得读的研究，如下：

【每周论文推荐】 初入深度学习CV领域必读的几篇文章

【每周CV论文推荐】 掌握残差网络必读的10多篇文章

【每周CV论文推荐】 初学者必须精读的5篇深度学习优化相关文章

【每周CV论文推荐】 CV领域中数据增强相关的论文推荐

【每周CV论文推荐】 初学高效率CNN模型设计应该读的文章

【每周CV论文推荐】 初学目标检测必须要读的文章

【每周CV论文推荐】 初学深度学习图像分割必须要读的文章

【每周CV论文推荐】 初学GAN必须要读的文章

【每周CV论文推荐】 深度学习人脸检测入门必读文章

【每周CV论文推荐】 初学深度学习人脸关键点检测必读文章

【每周CV论文推荐】 初学深度学习人脸识别和验证必读文章

【每周CV论文推荐】 初学深度学习人脸属性分析必读的文章

【每周CV论文推荐】 初学活体检测与伪造人脸检测必读的文章

【每周CV论文推荐】 初学深度学习单张图像三维人脸重建需要读的文章

【每周CV论文推荐】 人脸识别剩下的难题：从遮挡，年龄，姿态，妆造到亲属关系，人脸攻击

【每周CV论文推荐】换脸算法都有哪些经典的思路？

【每周CV论文】深度学习文本检测与识别入门必读文章

【每周CV论文】深度学习图像降噪应该从阅读哪些文章开始

往期相关

• 【星球知识卡片】残差网络家族10多个变种学习卡片，请收下！

• 【星球知识卡片】移动端高效率的分组网络都发展到什么程度了？

• 【星球知识卡片】注意力机制发展如何了，如何学习它在各类任务中的应用？

• 【星球知识卡片】模型剪枝有哪些关键技术，如何对其进行长期深入学习

• 【星球知识卡片】模型量化的核心技术点有哪些，如何对其进行长期深入学习

• 【星球知识卡片】模型蒸馏的核心技术点有哪些，如何对其进行长期深入学习

• 【星球知识卡片】视频分类与行为识别有哪些核心技术，对其进行长期深入学习

• 【星球知识卡片】图像生成都有哪些核心技术，如何对其进行长期深入学习

• 【星球知识卡片】AutoML都有哪些核心技术，如何对其进行长期深入学习