图像超分辨率中的数据集剪枝研究

在图像超分辨率（SR）中，依赖大规模数据集进行训练是一把双刃剑。虽然它们提供了丰富的训练素材，但也需要大量的计算和存储资源。在这项工作中，我们分析了数据集剪枝以解决这些挑战。我们引入了一种新颖的方法，将数据集缩减为一个核心训练样本集，这些样本基于一个简单的预训练 SR 模型确定的损失值进行选择。通过将训练集中在仅占原始数据集 50% 的样本上，特别是那些具有最高损失值的样本，我们取得了与在整个数据集上训练相当甚至更优的结果。有趣的是，我们的分析揭示，损失值最高的前 5% 样本会对训练过程产生负面影响。排除这些样本并调整选择策略以偏向更简单的样本，可以进一步提升训练效果。我们的工作为图像 SR 中数据集剪枝的未开发潜力开辟了新的视角。它表明，基于损失值指标仔细选择训练数据可以带来更好的 SR 模型，挑战了更多数据必然带来更好性能的传统观念。