ARConv模型复现中的关键参数设置问题解析

ARConv模型复现中的关键参数设置问题解析

ARConv 项目地址: https://gitcode.com/gh_mirrors/ar/ARConv

问题背景

在深度学习模型复现过程中，研究人员经常会遇到复现结果与论文报告存在差异的情况。本文以ARConv模型为例，详细分析了一个典型案例：当使用作者提供的预训练权重进行测试时，部分指标（如SAM、ERGAS和Q8）与论文报告结果存在微小差异。

现象描述

测试结果显示，使用相同权重时：

• 全分辨率指标（D_lambda、D_s和HQNR）基本与论文一致
• 降分辨率指标（SAM、ERGAS和Q8）存在约5%的偏差

具体数值对比如下：

| 测试方式 | SAM | ERGAS | Q8 | D_lambda | D_s | HQNR | |----------------|-----------|-----------|-----------|-----------|-----------|----------| | 论文报告结果 | 2.885 | 2.139 | 0.921 | 0.0146 | 0.0279 | 0.958 | | 本地测试结果 | 3.0307 | 2.2621 | 0.9225 | 0.0146 | 0.0275 | 0.9583 |

问题排查过程

经过深入排查，发现问题源于模型前向传播时的一个关键参数设置。在ARConv模型的实现中，存在一个epoch参数，该参数在测试阶段需要设置为大于100的值。这是因为：

1. 在训练阶段（epoch ≤ 100），模型会动态学习卷积核的采样点个数
2. 在测试阶段（epoch > 100），模型会使用训练阶段确定的最优采样点个数

当测试时将epoch参数误设为1（小于100）时，会导致：

• 模型无法加载训练阶段学习到的最优采样点配置
• 使用默认或临时的采样点配置进行推理
• 最终影响模型性能，特别是对采样点敏感的指标

解决方案

正确的做法是在测试时：

1. 确保epoch参数大于100（如设为1000）
2. 这样模型会使用训练阶段保存的最优采样点配置
3. 保证测试条件与训练条件一致

修改后测试结果与论文完全一致：

| 测试方式 | SAM | ERGAS | Q8 | |----------------|-----------|-----------|-----------| | 修正后结果 | 2.8846 | 2.1393 | 0.9264 |

经验总结

这个案例给我们以下启示：

1. 参数敏感性：深度学习模型中某些参数可能对性能产生关键影响，即使它们在测试阶段看似无关紧要
2. 文档完整性：模型实现时应详细说明各参数的取值范围和影响
3. 复现严谨性：复现他人工作时需严格遵循所有参数设置，包括那些看似"不重要"的参数
4. 调试方法论：当遇到复现差异时，应系统性地排查各环节，包括数据预处理、模型参数、评估方法等

对于ARConv这类创新性模型，理解其核心机制（如动态采样点学习）对正确使用模型至关重要。开发者在复现时应特别注意模型特有的设计点和参数要求。

ARConv 项目地址: https://gitcode.com/gh_mirrors/ar/ARConv