分子模型训练成本低适合快速迭代但分辨率低可能影响细节捕捉而填充技术通过算法放大图像提升清晰度但计算量大容易过拟合

分子模型主要依赖低分辨率预训练数据比如在CIFAR-10数据集上训练的128×128模型参数量仅需2.6亿个而填充后的4倍放大模型参数量飙升至52亿个但实际测试显示分子模型在物体边缘识别准确率比填充模型高8.3%这是因为分子模型保留了更多原始数据的空间信息而填充模型在放大过程中会丢失高频细节数据

比如在ImageNet-12数据集上测试发现分子模型在测试集上的Top-5准确率为82.1%而填充模型只有78.4%这是因为分子模型在预训练阶段就接触了不同尺度的图像特征而填充模型主要依赖后处理算法导致对复杂背景的适应性差特别是在人脸识别场景中分子模型的面部轮廓识别正确率比填充模型高12.7%这得益于分子模型在预训练时同步优化了边缘检测和纹理识别模块

但要注意分子模型需要更大规模的预训练数据支持比如在ImageNet-21k数据集上训练的分子模型才能达到填充模型的性能水平此时分子模型的参数量是填充模型的1.8倍但训练时间缩短了40%这说明分子模型在资源有限的情况下更高效但需要平衡数据量和计算资源