获奖算法模型开源，RTE 2020超分辨率图像质量挑战赛圆满落幕

9 月 26 日，RTE 2020 Innovation challenge 超分辨率图像质量挑战赛，在线上结束的决赛比拼。

这个赛道主要考察图像超分辨率算法模型的同时兼顾性能图像的质量的能力。参赛者需要对图像做 2 倍的超分辨率处理，算法复杂度控制在 2GFLOPs 之内。我们将提供一个 baseline 模型，采用 PSNR、SSIM 及运行时间来综合评估算法的性能，分值高者即获胜。

与春季赛一样，这次的决赛还是通过 Agora Video Call App 在线上进行的。全程也通过 B 站对外进行了直播。

最终，决赛一共产生了一、二、三等奖各一支团队。我们在云端进行一个欢乐又隆重的颁奖仪式。

云颁奖仪式

第一名：FZU-CS510

参赛团队FZU-CS510发现比赛所用的图像数据包含了多种不同场景、不同噪声强度、混合退化、退化不均衡等问题。所以他们的解决方案中有这样几个重点：

1. Activations与推理耗时之间的相干性更强

2. 参数量、FLOPs是评价模型高效性的非常重要的参考指标

3. 设计目标：在2GFLOPS下，增加模型参数，同时使Activations尽可能的小。

该团队已经将这次的获奖算法模型开源在了 Github 平台：

https://github.com/zdyshine/RTC2020_EfficientSR

第二名：rainbow

获得第二名的rainbow，也在去年参加了我们超分辨率算法挑战赛，并获得过名次。他还曾获得获得NTIRE 2018经典8倍超分辨率冠军、AIM 2019 受限超分辨率冠军、AIM 2020极限图像补全冠军。

Github：https://github.com/Zheng222/IMDN

他还将这次获奖的算法模型开源在了 Github 平台，感兴趣的开发者可以参考。在这之前，我们可以先通过这个视频来简单看一下该模型的处理效果。

第三名：医疗器械国际合作基地AI Lab

这是一支由来自福州大学和电子科技大学的硕士、博士研究生组成的团队。他们采用基于蒸馏学习的轻量级超分算法模型来应对这次的算法挑战。

最后他们的模型 PSNR达到了34.06，时间仅需要 1.3ms。

写在最后

机器学习算法在 RTE（Real-Time Engagement）行业中的应用，不仅仅局限于视频超分辨率。它还被应用于编解码算法优化、带宽估计、拥塞控制、音频降噪、视频推荐系统的研发等关键技术环节。

而在今年 10 月 22 - 25 日的 RTE 实时互联网大会上，来自声网Agora、北京大学王选计算机研究所、搜狗、Hulu、爱奇艺等研究机构和公司的技术专家、资深工程师将分享《实时H.264视频编码器算法的深度优化》、《基于深度学习的低延迟语音降噪方法》、《数据驱动的实时音视频传输》、《深度强化学习在拥塞控制中的应用》、《AI在内容制作领域的实践》等话题。现在扫码报名并加群，还有机会与他们在线上面对面交流。更多大会详情，请访问：rteconf.com 。

点击“阅读全文”，一起看RTE 大会直播