作者：Yuhan Chen
链接：https://www.zhihu.com/question/627403657
编辑：3DCV
本人前些年的工作是深度学习的大量灌水
我从事的是图像增强与去噪的方向，网络结构异常简单，因此创新的方向一般就两个
一个是特征提取的创新，一个是图像亮度增强/去噪方向的创新特征提取的模块化创新，我称之为深度学习灌水的重灾区。
每年顶会的超分算法都会提出各种各样的模块化改进。几乎可以直接照搬这些模块到图像增强中来。比如FMEN提出了新的高效注意力模块。你可以直接替换普通的通道注意力机制。比如AFF非常水的通过并联全局注意力和局部注意力提取发了篇顶会，你可以把它那个结构拆开放你的网络里。
上述都是特征提取的A+B，一般都可以很好的提升特征提取能力。
想更进一步，我推荐更改多尺度结构或者一些剪枝的策略吧。看过很多离谱的魔改，让人瞠目结舌。
第二步的改进，就是你的研究目的了我以亮度增强举例。从郭春乐提出Zero-Dce开始。这个迭代函数就被大量运用于轻量化的弱光增强网络里。大量的文章直接没改就放网络里。改得比较成功的，是20年定会的STAR算法。他使用Transformer提取Tokens后，再使用的迭代策略。这是比较成功的。
但是万变不离其宗，你可以通过更换迭代函数本身（比如LUT-GCE把函数弄成了三次函数），或者更换迭代的逐像素参数（比如MMFF-NET，使用了不同卷积层的上采样）这些都是改进的方法OK，到这一步的时候，你的A+B+C就已经创新得差不多了。
你如果还想加比如对比度增强/去噪这些模块，就注意下网络的结构吧。别太离谱，或者参数量太大别人跑不动。为了保险起见，开始更改应用范围比如遥感图像/水下图像/弱光图像/红外图像/矿场作业图像等等。然后增强内容也换一下，比如去噪/亮度增强/美学增强/质量增强/多曝光/去雾/去雨等等你加一个应用的限制，让你自己的场景具有针对性ok，到这里，基本就看你的写作水平了。一般来说A+B发TOP肯定是没戏的。
但是写得好，并且你的结构和创新不错。发个二区还是可以的。
