095、超分模型迁移学习：如何用预训练模型快速适配新任务

095、超分模型迁移学习：如何用预训练模型快速适配新任务上周调一个老项目，客户突然要求把原本针对动漫图像的SR模型迁移到卫星遥感图上。我心想不就是换个数据集微调嘛，结果一跑，PSNR直接掉了4个dB，输出图全是伪影。那一刻我才意识到，超分模型的迁移学习远不是“换个数据集继续训练”这么简单。为什么直接微调会翻车先说我踩的那个坑。预训练模型用的是DIV2K（自然图像），目标域是遥感图像。遥感图像的特点是：纹理重复性高、边缘锐利、有大量规则几何结构。而自然图像预训练模型学到的特征分布——比如对模糊边缘的容忍度、对纹理多样性的偏好——跟遥感图像完全不对齐。更致命的是，很多超分模型（尤其是基于GAN的）在训练过程中会“记住”训练集的退化模式。比如ESRGAN在DIV2K上训练时，下采样用的是双三次插值。但遥感图像的退化往往来自传感器噪声、大气扰动、运动模糊的复合。你拿双三次退化的预训练权重去处理真实退化，模型直接懵了。别这样写代码：model.load_state_dict(torch.load(