EDSR是TensorFlow生态中真正开箱可用、效果靠谱的超分辨率方案，结构清晰、无对抗训练、支持tf.function加速与SavedModel保存，且预训练模块可在tensorflow-hub直接调用。
超分辨率模型选型：ESRGAN 还是 SRCNN？
TensorFlow 生态里真正开箱可用、效果靠谱的超分辨率方案其实不多。SRCNN 是经典起点，但重建细节弱；ESRGAN（尤其 tf.keras.applications 无原生支持）需手动复现生成器，训练不稳定。实际项目中，建议从 EDSR（Enhanced Deep Residual Networks）切入——结构清晰、无对抗训练、tf.keras 实现成熟，且在 tensorflow-hub 上有轻量预训练模块可直接推理。
- EDSR 不依赖 BatchNorm，更适合小 batch 或单图推理
- 官方 GitHub（
jaeho-lee/edsr-tf）提供 tf.function 兼容的model.call接口，避免 eager 模式下性能抖动 - 若用
tf.keras.layers.UpSampling2D替代亚像素卷积（tf.nn.depth_to_space），PSNR 会掉 0.8–1.2dB，别图省事
输入预处理必须做归一化与尺寸对齐
超分辨率模型对输入极敏感：非 4 倍数边长、非 [0,1] 归一化、BGR 通道顺序都会导致输出块状伪影或全黑。TensorFlow 中最易漏的两步是：
- 用
tf.image.resize的method='bicubic'下采样生成 LR 图时，必须设antialias=True，否则高频信息丢失严重 - 输入前强制转
tf.float32并除以255.0，不能用tf.cast(..., tf.float32) / 255—— 后者在 uint8 转 float32 时若未先转 int32，会因溢出变负值 - HR 图 crop 尺寸必须被缩放因子整除（如 ×4 则宽高均 mod 4 == 0），否则上采样后 tensor shape 不匹配，报错
InvalidArgumentError: Incompatible shapes
推理时用 tf.function 包装 call 方法才能提速
直接调用 model(input_tensor) 在 eager 模式下每帧耗时 120–180ms（RTX 3090），加 @tf.function 后压到 22–35ms，但有几个硬约束：
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 输入
input_tensor必须带明确 shape（不能含None），推荐用tf.TensorSpec(shape=[1, None, None, 3], dtype=tf.float32) - 若模型含动态 resize（如自适应 patch 处理），必须改用
tf.image.resize+ 静态 target_size，否则@tf.function编译失败 - 切忌在
@tf.function内调用numpy()或 print，会触发 retracing，首次运行慢且内存泄漏
保存与加载权重别用 h5，优先选 SavedModel 格式
model.save('edsr.h5') 看似方便，但 EDSR 类模型含自定义 ResBlock 层时，加载会报 ValueError: Unknown layer: ResBlock。正确路径是：
立即学习“Python免费学习笔记（深入）”；
- 训练完立刻用
model.save('edsr_savedmodel', save_format='tf') - 推理时用
tf.keras.models.load_model('edsr_savedmodel')，自动恢复全部自定义层与子类结构 - 若需转 TFLite，必须用
tf.lite.TFLiteConverter.from_saved_model()，h5 转换会卡在 Conv2DTranspose 层
EDSR 的残差缩放系数（res_scale）默认为 0.1，但实测设为 0.2 时高频纹理更锐利，不过 >0.25 容易引发振铃效应——这个值不写在 config 里，藏在 ResBlock 的 self.res_scale 变量中，调试时容易忽略。
