Low-level任务：常见的包括 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，大家指标都刷的很高。目前面临以下几点问题：

• 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
• 落地的问题，SOTA模型运算量很(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任务：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
  ————————————————
  原文链接：https://blog.csdn.net/qq_20880415/article/details/117225213