low level/high level

low level

• 接近原始，最初的那层东西，描述起来比较繁琐，但是非常细节的东西。就好比我们敲一行一行的代码去实现一个窗口操作, low level是high low的基础，万变不离其宗，

low level 任务

• 包括Super-Resolution，denoise， deblur， dehze， low-light enhancement，deartifacts等 简单来说，是把特定降质下的图片还原成好看的图像，现在基本上用end-to-end的模型来学习这类ill-posed问题的求解过程，客观指标主要是PSNR，SSIM，
• 存在的问题
  • 泛化性差，换个数据集，同种任务变现就很差
  • 客观指标与主观感受存在，GAP，指标刷很高，人眼观感不佳，用GAN可缓解
  • 落地困难，SOTA模型运算量很大，(上百G Flops)，但实际不可能这么用
  • 主要是为人眼服务，缺乏与High-level之间的联系

high level

• 是建立在low-level的基础上的，封装了low-level的一些细节操作。只需要操作几步就可以完成。好比我们用图形开发工具，托托拽拽分分秒秒实现一个窗口操作。
• 分类(classification)，检测(detection)，分割(segmentation)等。一般公开训练数据都是高品质的图像，当送入降质图像时，性能会有下降，即使网络已经经过大量的数据增强(形状，亮度，色度等变换)
• 真实应用场景是不可能像训练集那样完美的，采集图像的过程中会面临各种降质问题，需要两者来结合。简单来说，结合的方式分为以下几种
  • 直接在降质图像上fine-tuning
  • 先经过low-level的增强网络，再送入High-level的模型，两者分开训练
  • 将增强网络和高层模型(如分类)联合训练

other

• low level计算机视觉任务,
• isp：low level 传统算法和深度学习各一半，随着深度学习的发展和影像的发展，isp已经加了许多深度学习和神经网络相关的算法
• cv: high level

reference

• https://blog.csdn.net/qq_20880415/article/details/117225213
• https://blog.csdn.net/qiuchenjun/article/details/115050388?spm=1001.2014.3001.5502