超分辨率重建算法对比
1、超分辨率重建论文中，所有对比的算法都要自己跑一遍吗？还是自己用别人训练好的权重文件直接测试？
2、在超分辨率论文中，这些小图片是怎么截取得到的？
- 1.在超分辨率重建论文中，对比算法的比较通常是使用公开数据集进行的，例如Set5、Set14、BSD100等等。这些数据集通常提供了标准的评估指标，如PSNR、SSIM等等，可以帮助评估算法的表现。如果要进行对比实验，一般需要自己实现所比较的算法，并在给定的数据集上进行测试。如果某些算法的实现已经公开发布，并且提供了预训练好的权重文件，那么可以直接使用这些权重文件来进行测试。
- 2.这些小图片通常是从已有的图像数据集中截取得到的，例如常用的数据集有ImageNet、CIFAR等等。在进行实验时，研究者通常会从这些数据集中随机选取一些图片作为测试集，这些图片可以用于评估算法在不同场景下的表现。同时，为了公平地比较不同算法的表现，同一组测试图片通常会在不同算法之间共享，以确保评估的公正性。
如果需要更加深入了解，请详细描述问题
最好是跑一遍，
用别人训练好的权重文件也可以，但容易存在影响测试结果的准确性，产生偏差
这些图片是从现有的超分辨率数据集中截取得到的
(1)对于超分辨率重建算法的对比，通常需要实现所有参考算法并进行比较。不过，如果可以获得其他论文中已经公开的权重文件，则可以直接使用这些权重文件来测试算法，而不需要训练算法。
(2)对于超分辨率论文中的小图片，通常是从现有的图像数据集中随机选择的。这些数据集可以是公共数据集，如CIFAR-10、ImageNet或DIV2K等。
一般来说，在超分辨率重建论文中对比算法的评估分为两个阶段：训练和测试。
在训练阶段，各个算法都需要自己训练权重参数，然后使用相同的数据集进行评估，以便进行公正的比较。这一步通常由作者自己完成。
在测试阶段，已经训练好的算法的权重文件可以被分享并用于其他人的测试。这可以节省时间和计算资源，并且确保使用相同的模型进行比较。当然，也可以使用自己训练的模型进行测试，但这需要更多的时间和资源。
需要注意的是，在测试阶段，算法的实现方式可能会影响结果。因此，在使用已训练好的模型进行测试时，最好使用原始作者的实现。如果自己实现了算法，则需要进行充分的调试和测试，以确保实现的正确性
在超分辨率重建的论文中，通常会用一些公开数据集进行实验，比如常用的数据集有 Set5、Set14、BSD100、Urban100 等。这些数据集都是由原始高分辨率图像和对应的低分辨率图像组成的。
通常情况下，小图片是从低分辨率图像中裁剪出来的。这些小图片可以是随机裁剪的，也可以是按照某种规则进行裁剪的，比如固定大小、重叠等等。在对比不同算法时，所有算法使用的小图片应该是相同的，以保证公正性。
有些论文可能也会用自己的数据集进行实验，此时小图片的获取方法可能会有所不同，具体方法可以参考相关论文
1、一般来说，需要自己跑一遍算法，才能得到论文中的对比结果。也可以使用别人训练好的权重文件，但是一般这种方法不会产生比较准确的结果。
2、在超分辨率论文中，小图片通常是从原始图片中以一定比例采样截取得到的，例如以4倍放大采样，则可以将原始图片分割成4个小图片，每个小图片的尺寸是原始图片的1/4。