- 赛事介绍
- 竞赛排行榜
- 奖金记录
- 讨论($vue{comment_count})
- 学习资源
大赛简介
图像分辨率是用来评估图像中蕴含细节信息丰富程度的一个指标。高分辨率图像相对于低分辨率图像拥有更大的像素密度，更多的纹理细节信息。但在实际生活中，由于受到采集设备、网络传输介质等因素的影响，我们通常得到的是一些低分辨率的图像，因此图像超分辨率重建技术具有深远的研究意义。图像超分辨率是指将一幅低分辨率图像恢复成高分辨率的图像，在本数据集一共有1800张图片，其中包括900对高分辨率和低分辨率图片，这里高分辨率图片大小是低分辨率图片大小的四倍。训练集、验证集和测试集划分比例为6:2:2.
参赛须知
参赛时间: 本次竞赛无时间限制，长期有效开放
参赛方式
参赛选手说明
- 参赛人员身份信息需保证真实、有效，大赛主办方仅将个人信息用于赛事数据授权及颁奖使用
- 欢迎海内外的在校学生，算法工程师和所有AI爱好者参与
- 本次竞赛报名形式：以个人形式本地提交作品线上审核，并且以最终提交算法得分作为唯一有效成绩
- 在比赛截止日期前，团队中成绩最高分作为本团队的最终成绩
- 报名成功后请加入FlyAI竞赛交流群，一起学习进步！重要通知也将在群内发布，不要错过哦
比赛作品说明
- 参赛选手需要配合组委会对比赛作品的有效性与真实性进行验证
- 不同团队/个人，提交相似结果文件，取消双方所有人员参赛资格
- 多开小号报名、提交，一经发现将取消参赛资格
- 禁止使用外部链接下载代码替换本项目代码
- 比赛过程中，通过脚本获取比赛数据，成绩无效
- 使用线上测试集进行训练或者使用非官方提供的外部数据进行训练，成绩无效
- 使用的预训练模型需为FlyAI官方审核通过的模型，使用非官方验证预训练模型，成绩无效
- 提交的代码具备可解释性并且其它开源框架可复现
- 所有相似代码将一律不通过审核！！情况多次出现者封号处理
- 如有发现利用非正常手段作弊行为，奖金一律不发放。之前所获得奖金金额官方有权收回，情节严重者封号处理
- 提交代码即视为阅读并同意以上比赛作品说明
大赛奖项设置
奖项说明:
| 奖项设置 |
获奖人数 |
奖金额度说明(按最终得分评判) |
| 参与奖（总奖金20%） |
所有人 |
根据基线得分与100分之间，分成5个奖金区间；不同得分区间获得相应的竞赛奖金。 |
| 突破奖（总奖金10%） |
所有人 |
更新排行榜最高分数，获得相应的竞赛奖金 |
| 排名奖（总奖金70%） |
月赛前5名 |
奖金发放最终以月为单位，前5名获奖占比以K系数表示，分别为：0.45，0.25，0.15，0.1，0.05 |
| 不同框架奖励 |
所有人 |
获得60FAI币用于GPU训练资源消耗 |
赛事主题和数据说明
赛题描述
通过实现算法并提交训练，获取奖金池奖金。小提示：抢先更新算法排行榜，有更大机会获取高额奖金哦！
数据来源
SingleImageSuperResolution4Scale
数据描述
由于需要提交代码作品在云端进行训练，参赛数据集不对外开放。仅提供调试数据。
字段说明：
| 文件名 |
字段名称 |
字段类型 |
备注 |
| hr_image_path |
string |
不为空 |
高清图片的相对路径 |
| lr_image_path |
string |
不为空 |
低清图片的相对路径 |
评审标准
算法输入输出格式
输入字段：
lr_image_path,
输出字段：
hr_image_path,
评审指标说明
- SSIM 是一种用以衡量两张图片相似程度的指标，一般取值范围：0-1. 值越大，视频质量越好。
- 可参考 from skimage.measure import compare_ssim 中的实现方式。
- 计算公式如下：
比赛常见问题说明
Q:比赛使用什么框架？
- 比赛支持常用的机器学习和深度学习框架，比如TensorFlow，PyTorch，Keras，Scikit-learn、MXNet等。
Q:怎么参加比赛，需不需要提交CSV文件？
- FlyAI竞赛平台提供免费云端GPU资源，报名后可以使用自己熟练的框架，修改main.py中的网络结构和processor.py中的数据处理；仅部分赛题支持CSV方式提交，请仔细阅读参赛方式相关内容。
Q:比赛排行榜分数怎么得到的？
- 参加项目竞赛必须实现 model.py 中的predict_all方法。系统通过该方法，调用模型得出评分。
超过 90分 的成绩会在48小时内更新到排行榜，不要着急哦！
batch数据为16，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为85.88。
batch数据为16，循环次数为60次，通过在线上环境完成训练，模型最优精度评分为85.75。
batch数据为32，循环次数为3次，通过在线上环境完成训练，模型最优精度评分为85.70。
4
batch数据为2，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为85.67。
5
batch数据为8，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为85.55。
6
batch数据为32，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为84.80。
7
batch数据为4，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为84.70。
8
batch数据为16，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为84.70。
9
batch数据为32，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为84.26。
10
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为84.19。
11
batch数据为16，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为83.95。
12
batch数据为16，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为83.92。
13
batch数据为1，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为83.69。
14
batch数据为100，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为83.03。
15
batch数据为1，循环次数为20次，通过在线上环境完成训练，模型最优精度评分为82.81。
16
batch数据为8，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为82.51。
17
batch数据为4，循环次数为64次，通过在线上环境完成训练，模型最优精度评分为82.42。
18
batch数据为4，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为82.42。
19
batch数据为1，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为82.18。
20
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为81.92。
21
batch数据为15，循环次数为20次，通过在线上环境完成训练，模型最优精度评分为81.73。
22
batch数据为4，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为81.50。
23
batch数据为4，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为81.36。
24
batch数据为16，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为81.06。
25
batch数据为4，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为80.51。
26
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为79.37。
27
batch数据为16，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为78.63。
28
batch数据为16，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为78.51。
29
batch数据为1，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为78.21。
30
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为77.00。
31
batch数据为8，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为71.23。
32
batch数据为8，循环次数为400次，通过在线上环境完成训练，模型最优精度评分为69.28。
33
batch数据为32，循环次数为64次，通过在线上环境完成训练，模型最优精度评分为67.60。
34
batch数据为1，循环次数为40次，通过在线上环境完成训练，模型最优精度评分为66.82。
35
batch数据为16，循环次数为3000次，通过在线上环境完成训练，模型最优精度评分为65.59。
36
batch数据为16，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为64.84。
37
batch数据为16，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为64.02。
38
batch数据为16，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为57.87。
39
batch数据为64，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为53.45。
40
batch数据为1，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为52.68。
41
batch数据为32，循环次数为60次，通过在线上环境完成训练，模型最优精度评分为51.88。
42
batch数据为64，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为46.85。
43
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为35.21。
44
batch数据为16，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为34.15。
45
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为33.65。
46
batch数据为80，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为30.10。
47
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为29.93。
48
batch数据为16，循环次数为3次，通过在线上环境完成训练，模型最优精度评分为25.24。
49
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
50
batch数据为512，循环次数为16次，通过在线上环境完成训练，模型最优精度评分为25.24。
51
batch数据为192，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
52
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
53
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
54
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
55
batch数据为16，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为25.24。
56
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
57
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
58
batch数据为8，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
59
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
60
batch数据为16，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
61
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
62
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
63
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
64
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
65
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
66
batch数据为32，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
67
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
68
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
69
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
70
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
71
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
72
batch数据为32，循环次数为6次，通过在线上环境完成训练，模型最优精度评分为25.24。
73
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
74
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
75
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
76
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
77
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
78
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
79
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
80
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
81
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
82
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
83
batch数据为64，循环次数为40次，通过在线上环境完成训练，模型最优精度评分为25.24。
84
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
85
batch数据为16，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为25.24。
86
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
87
batch数据为32，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为25.24。
88
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
89
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
90
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
91
batch数据为64，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为25.24。
92
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
93
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
94
batch数据为16，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为25.24。
95
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
96
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
97
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
98
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
99
batch数据为64，循环次数为3次，通过在线上环境完成训练，模型最优精度评分为25.24。
100
batch数据为32，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为25.24。
101
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
102
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为25.24。
103
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
104
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
105
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
106
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
107
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
108
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
109
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
110
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
111
batch数据为64，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为25.24。
112
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
113
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
114
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
115
batch数据为128，循环次数为60次，通过在线上环境完成训练，模型最优精度评分为25.24。
116
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
117
batch数据为20，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
118
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为25.24。
119
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
120
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
121
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
122
batch数据为16，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为25.24。
123
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
124
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
125
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
126
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
127
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
128
batch数据为1，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
129
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
130
batch数据为32，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为25.24。
131
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
132
batch数据为16，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为25.24。
133
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
134
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
135
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
136
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
137
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
138
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
139
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
140
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
141
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
142
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
143
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
144
batch数据为64，循环次数为5次，通过在线上环境完成训练，模型最优精度评分为25.24。
145
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
146
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
147
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为25.24。
148
batch数据为64，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为25.24。
149
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
150
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
151
batch数据为8，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为25.24。
152
batch数据为64，循环次数为16次，通过在线上环境完成训练，模型最优精度评分为25.24。
153
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
154
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
155
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
156
batch数据为64，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为25.24。
157
batch数据为50，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为25.24。
158
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
159
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
160
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
161
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
162
batch数据为64，循环次数为128次，通过在线上环境完成训练，模型最优精度评分为25.24。
163
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
164
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为25.24。
165
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
166
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
167
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
168
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
169
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
170
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
171
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
172
batch数据为64，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为25.24。
173
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
174
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
175
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
176
batch数据为8，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为25.24。
177
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
178
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
179
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
180
batch数据为32，循环次数为66次，通过在线上环境完成训练，模型最优精度评分为25.24。
181
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为25.24。
182
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
183
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
184
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
185
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.24。
186
batch数据为64，循环次数为60次，通过在线上环境完成训练，模型最优精度评分为3.76。
187
batch数据为32，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为2.21。
188
batch数据为64，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为0.58。
