139、超分模型的数据增强策略：旋转、裁剪与退化多样性上周调一个EDSR模型，训练集是DIV2K，验证集是Set5，跑出来的PSNR死活卡在32.1上不去。我盯着loss曲线看了半天，发现验证集上的震荡特别大，训练集倒是收敛得挺漂亮。直觉告诉我，这不是模型容量的问题，是数据增强没做好——模型对验证集里那些旋转过的图像完全没脾气。后来我在训练里加了随机旋转和退化多样性增强，同样的模型结构，PSNR直接跳到33.4。这个教训让我意识到，超分任务的数据增强，跟分类任务完全是两码事。分类模型做旋转，是为了让模型学会“猫不管怎么转都是猫”；超分模型做旋转，是为了让模型学会“这个纹理不管怎么转，我都得把它还原出来”。目标不同，策略就得跟着变。旋转增强：别让模型记住方向很多人做超分数据增强，直接照搬ImageNet那套——随机90度旋转加水平翻转。这种做法在超分里有个坑：HR和LR必须做完全相同的变换。你想想，如果HR转了90度，LR没转，那模型学到的映射关系就全乱了。我见过有人写代码，HR做了随机旋转，LR只做了裁剪，结果训练出来的模型输出全是重影。正确的做法是，先对HR做随机旋转和翻转，然后用同样的参数对LR做变换。这里有个细节：旋转角度最好限制在90度的整数倍。为什么？因为非90度的旋转会引入插值误差，LR图像本来就分辨率低，再插值一次，高频信息就彻底没了。我试过45度旋转，PSNR掉了0.8个点，得不偿失。代码里我习惯这样写：