171、超分模型的可解释性：特征可视化与注意力图在模型诊断中的实践上周调试一个EDSR变体时，模型在Urban100的测试集上PSNR明明涨了0.3dB，但视觉上却出现了诡异的棋盘伪影。更让人抓狂的是，这种伪影只在特定纹理区域出现——比如砖墙的横纹和树叶的脉络。当时我盯着loss曲线看了半小时，梯度范数也正常，最后是靠着把中间层的特征图dump出来才找到问题根源。这种经历在超分研究中太常见了。模型像个黑盒子，你只知道输入低分辨率图像，输出高分辨率结果，中间发生了什么？为什么某些区域重建得好，某些区域却崩了？今天这篇笔记，我就把平时诊断模型时最常用的几招可视化手段掰开揉碎讲清楚。特征图可视化：看模型到底在关注什么先说说最基础的特征图可视化。很多人以为这很简单，就是把特征图归一化到0-255然后显示出来。但这里有个坑：超分模型的浅层特征图往往包含大量高频信息，直接归一化会导致细节被压缩到肉眼不可见的范围。我一般这样处理：defvisualize_feature_maps(feature_tensor,num_maps