解决发明问题的理论是由苏联科学家海因里希·阿奇舒勒提出的。他分析了 40,000 多项发明并创建了自己的算法，遵循这些算法，您可以在看似绝望的情况下找到创新的解决方案。此外，使用这种技术，您不仅可以开发创新产品，还可以改进业务中的现有流程。
以下是一些 TRIZ 技术：
——渲染原理。从整体中分离出最困扰你的部分（需要解决的问题）。例如，分析您在做生意时花费最多时间的事情，并突出显示那些不是您主要活动的活动。考虑外包这项活动。
——不对称原理。例如，针对每个消费者类别使用不同的策略。
——普遍性原则。例如，您可以聘请全栈开发人员来开发您的网站，他将开发设计并编写代码。
——原理是相反的。鼓励顾客留下负面评论。通常，您不会这样做，但客户投诉可以帮助识别您的产品或服务中的缺陷。
——突破性原则。尝试将一些困难或有害的生产过程加快到最大速度。
机会就在你身边。它们存在于熟悉的产品和服务、熟悉的人和你自己之中。但改变世界的想法不会自己产生——你必须改变。在下一篇文章中，我们将告诉您如何测试您的创业想法的可行性。
同时，您可以为您未来的项目选择一个合适的名称并为其注册一个域名。
德米特里·丹尼斯金
SISR 的目标是从输入的低分辨率 (LR) 图像重建高分辨率 (SR) 图像，该图像是原始图像 (HR) 的较小副本。 HR 图像仅在训练期间可用，而 LR 图像是通过对其应用高斯滤波器创建的，然后进行下采样操作，并使用真实张量进行描述。
任务是训练一个生成函数，在给定输入 LR 图像的情况下，估计相应的 HR 类似物。为此，我们将 GAN 训练为具有 SISR 特定感知损失函数优化的前馈卷积神经网络 (CNN)。
感知损失函数是作为多个分量的加权组合生成的，这些分量对重建的 SR 图像的各种所需特征进行建模。
接下来，我们定义一个鉴别器网络
（鉴别器）并与生成网络（生成器）一起顺序优化它，以解决对抗性最小-最大问题。总体思路是训练一个生成模型来“愚弄”一个鉴别器，该鉴别器经过训练可以区分 SR 图像和真实图像。通过这种方法，生成器可以学习生成与真实图像非常相似的解决方案，因此很难被鉴别器分类。
生成网络的核心是具有相同布局的 B 个残差块。每个块包含两个具有小型 3×3 内核和 64 个特征图的卷积层，后面是批量归一化层。激活函数是PReLU（参数修正线性单元）。使用两个卷积层逐像素放大输入图像。
除了提高消息相关性之外，职能电子邮件数据库还可以显著增强潜在客户生成工作。通过接触决策角色中的个人，企业可以增加引发有意义的对话并促成转 工作职能邮件数据库 化的机会。有针对性的电子邮件可以有效地穿透无关营销信息的噪音，确保合适的人在合适的时间收到合适的信息。
为了区分真实的 HR 图像和生成的 SR 样本，需要使用 LeakyReLU 激活函数训练鉴别器网络，并避免在整个神经网络中形成子采样层。判别器网络包含 8 个卷积层，其中 3×3 过滤器内核的数量不断增加（从 64 到 512，每次增加 2 倍，如 VGG 网络中一样）。每次特征数量加倍时，都会使用增量卷积来降低图像分辨率。生成的 512 个特征图附有两个密集层和最终的 sigmoid 激活函数，以获得对象分类概率。
两种网络的架构如图所示
感知损失函数
确定损失函数对于生成网络的有效运行非常重要。通常，该函数是基于均方误差建模的，但这项工作使用了它的改进版本。我们评估解决方案时考虑了相关的感知特征——内容损失和对抗性损失的加权和。
内容损失是根据预训练 VGG 网络的 ReLU 激活层确定的，并定义为重建图像和参考图像特征之间的欧几里得距离。
感知损失导致网络偏向自然图像，试图 美国手机号码列表 欺骗鉴别器。它们是根据重建图像是原始 HR 图像的概率来确定的。
实验
在三个广泛使用的数据集 Set5、Set14 和 BSD100（BSD300 基准集）上进行了实验。所有实验均以低分辨率图像和高分辨率图像之间的 4 倍系数进行。这相当于图像像素减少了 16 倍。为了公平比较，所有测量的 PSNR [dB] 和 SSIM 值都是在 Y 通道上计算的，并在每个图像边缘删除了中心裁剪和 4 像素条带。
使用从 ImageNet 数据库中获取的 35 万张图像的随机样本在 NVIDIA Tesla M40 GPU 上进行训练。 LR 图像是通过使用双三次核对 HR 图像 (BGR) 进行下采样而获得的。
对于每个小批量，会裁剪 96×96 HR 图像的 16 个随机选 销售产品营销：99% 的人都缺少框架 的部分（我们可以将生成模型应用于任意大小的图像，因为它是完全卷积的）。接下来，输入的 LR 图像在 [0, 1] 范围内缩放，HR – 在 [-1, 1] 范围内缩放。
因此，均方根误差损失是在强度范围[-1, 1]内计算的
Adam（自适应矩估计）算法用于优化。在训练 GAN 网络时，使用之前训练的 SRResNet 神经网络作为初始化，以避免出现不需要的局部极小值。
所有 SRGAN 变体均以 10-4 的学习率进行 105 次更新迭代训练，然后以 10-5 的较低速率进行另外 105 次迭代，在生成网络和判别网络的更新之间交替进行。生成网络有 16 个相同的 (B=16) 残差块。在测试过程中，批量标准化更新被禁用，以产生仅取决于原始数据的结果。
5. 质量评估及结果
为了量化不同方法重建高分辨率图像的能力，进行了 MOS 测试。 26名评估员参与测试；他们对重建的 SR 图像进行了从 1（质量差）到 5（质量优）的评分。对 BSD300 组中的 20 对低分辨率和高分辨率图像进行了校准。评估人员比较了上述各种 SISR 方法的 Set5、Set14 和 BSD100 中每张图像的 12 个版本以及原始 HR 图像。每个评估者以随机顺序测试了 1,128 个实例（19 个图像的 12 个版本加上 100 个图像的 9 个版本）。结果显示出良好的可靠性，并且相同图像的评级之间没有显着差异，如下图所示。
