【杂谈】为什么你在有三AI看不到最新论文的解读，其实一直都有的

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。

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。