本文发表于CVPR20 上
文献地址：
GitHub：https://github.com/clovaai/cutblur
一、疑问：
二、作者观点（作者发现）解决问题：
对于high-level 的数据增强方法研究很多，但是对于low-level 研究的很少。本文对于SR任务的数据增强进行了 comprehensive analysis ，并给出了新的策略。
作者发现 对图像像素或者特征操作或者丢弃的方法会严重影响图像复原，这是因为图像的空间关系很重要，但是这些操作破坏了图像的空间关系。
We find that the methods discarding or manipulating the pixels or features too much hamper the image restoration, where the spatial relationship is very important.
导致SR训练差的原因：
某些方法会损害图像恢复结果，甚至会妨碍训练，尤其是当一种方法在很大程度上导致附近像素之间空间信息的丢失或混乱时（例如Cutout [8]和特征域方法） ）。有趣的是，诸如RGB排列之类的基本操作不会引起严重的空间失真。
比那些导致不切实际的图案或结构的急剧转变的方法（例如，Mixup和CutMix [36]）更好的改进。
some methods harm the image restoration results and even hampers the training, especially when a method largely induces the loss or confusion of spatial information
between nearby pixels (e.g., Cutout and feature-domain methods). Interestingly, basic manipulations like RGB permutation that do not cause a severe spatial distortion provide better improvements than the ones which induce unrealistic patterns or a sharp transition of the structure (e.g., Mixup and CutMix ).
三、依据（论据）
the local and global relationships among pixels are especially more important in
the low-level vision tasks
四、怎么做的？（理论分析和实验）
五、如何验证此观点的合理性？
总结：
一、创新点：
二、借鉴之处：
三、不足之处
添加要改颜色的字体
添加要改颜色的字体
添加要改颜色的字体
添加要改颜色的字体
