Verworfene Ideen
Zu einer ehrlichen Forschungsbilanz gehört, auch die Ideen zu zeigen, die getestet und dann bewusst verworfen wurden, statt sie zu verschweigen.
Was nicht funktioniert hat
Zu einer ehrlichen Forschungsbilanz gehört, auch die Ideen zu zeigen, die getestet und dann bewusst verworfen wurden, statt sie zu verschweigen.
Mit Zahlen widerlegt
Naht-Glättung beim Dekodieren
Sollte den Übergang zwischen Kacheln verbessern. Alle drei erprobten Methoden lagen 5 bis 10 dB schlechter als schlicht nichts zu tun.
Ansehen →Auflösungsverdopplung aus den Merkmalen
Rund 9 dB schlechter als simples bicubisches Hochskalieren.
Aufmerksamkeits-Mechanismus
Der Vorteil verschwand vollständig gegen eine parametergleiche einfachere Alternative — es war ein Kapazitätseffekt, kein Mechanismusvorteil.
Automatischer Ersatzwert bei Fehlern
Im Mittel −0,11 dB, im schlechtesten Fall −5,3 dB.
Ansehen →Trainings-Reihenfolge nach Kantendichte
Zwei Wiederholungen des Versuchs widersprachen sich im Vorzeichen.
Bessere Platzwahl im Container
Der ungenutzte Speicher entsteht nicht bei der Platzwahl, sondern beim Schrumpfen.
Ansehen →Eine übertriebene eigene Zahl, selbst korrigiert
Weitere Fehlschläge
Test-Zeit-Optimierung
Zu kleiner Effekt, um praktisch etwas zu bringen.
Nachträgliche Bildfilter
Verschlechterten die Qualität im Mittel statt sie zu verbessern.
Foto/Synthetik-Erkennung
Trennte die Klassen nicht sauber genug für den praktischen Einsatz.
Komplexeres Verteilungsmodell
Schnitt in dieser Form auf dem vollen Testsatz schlechter ab als die einfachere Basisversion.
Vorschau aus dem kleinen Datenstrom
Nur rund 15,6 dB — grundsätzlich zu wenig Information dafür.
Mehrere weitere strukturelle Varianten — Vektorquantisierung, ein Fluss-basiertes Modell, iteratives Decoder-Verfeinern, ein Graph-Kontextmodell, eine nicht-lokale Selbstähnlichkeits-Suche, Wavelet- und Fraktalansätze, gemeinsame Wörterbücher über mehrere Bilder hinweg und einige mehr — brachten keinen belastbaren Nettogewinn gegenüber der bestehenden Basis.