看了写论文和博客，发现算法实现过程中，有三大难点：
1 图像的复原
在经过一些列计算以后，最后一步就是把数据恢复成图片。这一步很头疼，不同的算法恢复的方式不同。
他不是简单的normalize恢复到0-255之间就行了，或者convertscaleabs就行了（有的可行，但是一个图，·配置一个alpha和beta，其他的图就行不了）。往往一个算法配置某个特定的回复方法。
2 何时用饱和运算
饱和运算就是 但是unit8类型时候，当超过255或者小于0，会进行一个数据处理。什么时候用呢？一般在计算之初会把数据类型变成float32(变成这个类型的原因有很多，包括加速和opencv内在的问提),有的会在图像复原的时候，变成uint8,有的算法在中间设计到uint8的转化，为了减少运算用的内存吗？不太懂。
3 损失信息填补
计算时候，经常遇到小于等于0的数据或者大于255的的数据，或者别的情况。提到他的方法很多，比如小于等于0的，都用0或者0.01代替，或者用个f（x）+b来代替。
这三个问题，如何做选择？寻规道具的做，是没问题，但是就像弄额究竟。
还有就是常熟量的选择问题，很多都是给的经验值。已经有了很多深度学习模型去优化常熟量的方法。这个过程我感觉有点像无监督学习，就像人脸识别一样，也有很多模型了。