192、从SRCNN到HAT：超分网络架构演进脉络与核心创新点总结上周帮师弟调一个老项目，他拿SRCNN跑了一组数据，PSNR死活上不去，我一看代码——三层卷积，ReLU激活，双三次插值上采样，训练了200个epoch，结果还不如直接插值。师弟一脸委屈：“论文里不是说SRCNN是开山之作吗？”我叹了口气，SRCNN确实是里程碑，但那是2014年的东西了，十年过去，超分领域的架构已经迭代了好几轮。今天这篇笔记，我就把从SRCNN到HAT这条演进路线捋一遍，重点讲每个阶段的核心创新点，以及我踩过的坑。SRCNN：用深度学习做超分的第一次尝试SRCNN的思路其实很简单：先把低分辨率图像用双三次插值放大到目标尺寸，然后扔进一个三层卷积网络去学习映射。第一层提取特征，第二层非线性映射，第三层重建。这个结构放到今天看简直朴素得可爱，但在当年，它证明了CNN可以比传统方法（如稀疏编码）做得更好。核心创新点：首次将深度学习引入超分任务，用端到端学习替代手工设计的先验。但有个致命问题——它是在插值后的图像上操作的，计算量很大，而且插值本身会引入噪声和模糊，网络后续很难完全消除。踩坑记录：别在SRCNN里用太大的学习率，我试过0.01，loss直接炸了。建议1e-4起步，配合Adam优化器。另外，SRCNN对输入图像的归一化很敏感，最好把像素值缩放到[0,1]区间，别用[0,255]硬怼。FSRCNN：把上采样放到网络末