112、数据增强技巧：如何构建高质量的超分训练数据集
去年有个项目让我印象深刻。客户给了一批监控视频，要求做4倍超分。我兴冲冲地跑了一版基线模型，结果在测试集上PSNR看着还行，一上真实场景就崩——人脸糊成一团，车牌边缘全是锯齿。排查了一周，最后发现是训练数据增强策略出了问题。这事让我彻底明白，超分模型的上限，很大程度上取决于你喂给它的数据长什么样。
别迷信“越多越好”
很多人一上来就把所有能想到的增强手段全堆上：随机旋转、翻转、裁剪、颜色抖动、高斯噪声、模糊、JPEG压缩……恨不得把数据变成万花筒。结果模型训练了三天，收敛慢得像蜗牛爬，而且生成的结果要么过于平滑，要么出现奇怪的伪影。
我踩过这个坑。当时在DIV2K上做实验，加了太多随机增强后，模型学会了“平均化”——因为训练时看到太多不同退化方式的组合，它干脆输出一个模糊的中间态来降低损失。这就像让一个学生同时学十门完全不同的课程，最后哪门都学不精。
正确做法是：先搞清楚你的应用场景，再设计对应的退化模型。如果是做监控视频超分，重点模拟运动模糊和噪声；如果是老照片修复，重点模拟压缩伪影和胶片颗粒。不要试图用一个模型覆盖所有场景，那只会让模型变得平庸。
裁剪策略：别让模型学会“偷懒”
超分训练通常从高分辨率图像上随机裁剪小块（比如96x96或128x128），然后下采样得到低分辨率输入。这里有个容易被忽视的细节：裁剪位置的选择直接影响模型学到的纹理分布。
我见过有
