趙光輝，楊曉敏

（四川大學(xué)電子信息學(xué)院，成都 610065）

0 引言

單幅圖像超分辨率（SISR）是計(jì)算機(jī)視覺(jué)領(lǐng)域中一項(xiàng)重要任務(wù)［1］，其目標(biāo)是將低分辨率（LR）圖像重構(gòu)為高分辨率（HR）圖像。在軍事、醫(yī)學(xué)、公共安全、計(jì)算機(jī)視覺(jué)等領(lǐng)域具有重要的應(yīng)用前景。近年來(lái)，隨著深度學(xué)習(xí)的興起，基于卷積神經(jīng)網(wǎng)絡(luò)的超分辨率模型得到了積極的探索，并在各種基準(zhǔn)數(shù)據(jù)集上取得了先進(jìn)的性能表現(xiàn)。Dong 等［2］首先提出了基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的方法，并取得了令人印象深刻的效果。隨后，出現(xiàn)了更多基于CNN 的SR 方法［3?7］，并表現(xiàn)出了良好的性能。

盡管基于CNN 的模型已經(jīng)得到充分探索，但現(xiàn)有的方法仍存在一定的局限性。殘差學(xué)習(xí)緩解了隨著網(wǎng)絡(luò)深度增大帶來(lái)的梯度消失現(xiàn)象［8］，單純的增加網(wǎng)絡(luò)深度已經(jīng)難以獲得突破性的提升，而且網(wǎng)絡(luò)深度的增加往往伴隨著模型訓(xùn)練的困難和昂貴的計(jì)算資源［9］。一些經(jīng)典的 深 度 網(wǎng) 絡(luò) 模 型，如EDSR［4］、DBPN［9］和RCAN［3］，已經(jīng)很難通過(guò)加深模型層來(lái)提高模型性能。因此，如何建立更高效的SR 模型仍然是一個(gè)重要的問(wèn)題。此外，圖像的超分辨率是低分辨率圖像的上采樣任務(wù)，很少有研究者研究如何利用下采樣特征來(lái)提高SR 效果。文獻(xiàn)［9］提出了采用迭代上投影單元和下投影單元的糾錯(cuò)反饋機(jī)制網(wǎng)絡(luò)。文獻(xiàn)［5］利用迭代下采樣產(chǎn)生反饋，實(shí)現(xiàn)超分辨率增強(qiáng)。盡管他們必須采用迭代方案來(lái)抵抗信息丟失帶來(lái)的性能下降，但證明了通過(guò)特征下采樣操作提高SR 性能的可行性。此外，最有效的學(xué)習(xí)策略尚不明了，很難確定學(xué)習(xí)到的端到端的非線性映射就是最優(yōu)解［10］，因此，如何找到LR/HR/SR 圖像之間潛在的聯(lián)系，尋求更精確的損失函數(shù)是一項(xiàng)有意義的研究工作。

通過(guò)特征下采樣獲取多尺度特征融合是一種有效改善視覺(jué)識(shí)別性能的方案，而現(xiàn)有的超分辨率模型幾乎沒(méi)有探索特征下采樣方法在超分辨率任務(wù)中的應(yīng)用。超分辨率是將低分辨率輸入映射到高分辨率輸出的過(guò)程，所以特征下采樣對(duì)于圖像超分辨率是一種逆直覺(jué)行為，另外下采樣操作往往伴隨著信息損失，因此它很少應(yīng)用到超分辨率方法中。我們對(duì)特征下采樣方法在超分辨率中的應(yīng)用進(jìn)行了探索，利用Pixel?Unshuffle 操作降低特征的尺度，同時(shí)避免信息損失，并通過(guò)多尺度特征融合增強(qiáng)特征表示。探索了一個(gè)多尺度特征融合額外約束方案的高效模型。具體而言，我們構(gòu)建了一個(gè)由Pixel?Unshuffle、最大池化層和3*3 卷積層組成的高效下采樣模塊（pixel?unshuffle downsampling block，PDB）來(lái)獲取多尺度特征；提取淺層多尺度特征之后，利用殘差注意力和Pixel?Shuffle［11］構(gòu)建的RPUB 模塊（RCAB and pixel?shuffle up?sampling block）學(xué)習(xí)深層特征，注意每個(gè)RPUB模塊都包含一次特征上采樣操作，進(jìn)而獲得深層多尺度特征，并通過(guò)多尺度特征融合（multi?resolution feature fusion，MRF）模塊將獲取到的特征與對(duì)應(yīng)尺度特征融合。最后，參考文獻(xiàn)［12］中提出的方法，利用PDB 模塊將SR 圖像重構(gòu)為低分辨率圖像，該方法可以提供額外的約束條件，減少可能的函數(shù)空間。

本文的工作總結(jié)如下：

（1）設(shè)計(jì)了一種高效的下采樣模塊（PDB）來(lái)生成淺層多尺度特征，該模塊由Pixel?Unshuffle操作和非線性層兩部分組成。與步長(zhǎng)卷積相比，Pixel?Unshuffle 運(yùn)算可以在避免信息損失的同時(shí)降低特征分辨率，強(qiáng)大的非線性運(yùn)算可以提取更復(fù)雜的局部特征；

（2）利用殘差注意力模塊和Pixel?Shuffle 構(gòu)建了RPUB模塊學(xué)習(xí)深層特征，生成深層多尺度特征，有效增加了網(wǎng)絡(luò)深度；

（3）提出了一種高效的多尺度特征融合模塊（MRF）來(lái)融合多尺度特征。淺層多尺度特征表征關(guān)注紋理結(jié)構(gòu)信息，深層多尺度特征更關(guān)注抽象本質(zhì)。這種融合方法使本文網(wǎng)絡(luò)繞過(guò)共有的信息，更多地關(guān)注特殊的特征，從而實(shí)現(xiàn)更具有判別性的特征學(xué)習(xí)。

1 相關(guān)工作

1.1 基于CNN的超分辨率網(wǎng)絡(luò)

Dong 等［2］首先提出了基于CNN 的SR 算法（SRCNN），并取得了優(yōu)于傳統(tǒng)插值算法的性能。在這項(xiàng)開(kāi)創(chuàng)性的工作之后，許多更深、更高效的超分辨率模型出現(xiàn)了。Haris 等［9］提出了DBPN，利用傳統(tǒng)算法迭代反投影提出了包含多個(gè)迭代的上采樣層和下采樣層形成誤差反饋機(jī)制，通過(guò)不斷迭代產(chǎn)生更優(yōu)的解。Zhang 等［3］研究了一種針對(duì)高精度圖像SR 的通道注意機(jī)制，提出了殘差通道注意網(wǎng)絡(luò)（RCAN），使非常深的網(wǎng)絡(luò)訓(xùn)練難度降低，但這些方法都有各自的局限性，很難學(xué)習(xí)到更精確的解。

1.2 Pixel?Unshuffle

Pixel?Unshuffle 是Pixel?Shuffle 的逆變換，Pixel?Shuffle 是一種上采樣方法，可以替代插值或反卷積的方法對(duì)特征圖進(jìn)行放大。主要功能是將低分辨的特征圖，通過(guò)卷積和多通道間的重組得到高分辨率的特征圖。Pixel?Shuffle 是Shi等［11］提出的基于特征抽取和亞像素卷積將特征映射從LR 空間轉(zhuǎn)換到HR 空間的有效方案。相應(yīng)的，Pixel?Unshuffle 是一種降低特征圖尺度的下采樣方法，它將形狀張量（*，C,H×r,W×r）中的元素重新排列為形狀張量（*，C×r2,H,W），其中r是一個(gè)降尺度因子。圖1 展示了Pixel?Un?shuffle的過(guò)程。通過(guò)該操作能得到包含原始特征全部信息的子特征，降低了特征分辨率［13］。

圖1 Pixel?Unshuffle 操作的可視化

1.3 對(duì)偶學(xué)習(xí)

不同于現(xiàn)有的學(xué)習(xí)范式，對(duì)偶學(xué)習(xí)方法同時(shí)訓(xùn)練兩個(gè)相互的對(duì)偶模型，形成閉環(huán)。對(duì)偶學(xué)習(xí)的核心思想是建立對(duì)偶模型與原始任務(wù)模型之間的雙向反饋通道，可以有效地通過(guò)信息反饋來(lái)完善特征信息，進(jìn)而不斷提升模型的性能。許多人工智能應(yīng)用場(chǎng)景都涉及兩個(gè)互為對(duì)偶的任務(wù)，例如機(jī)器翻譯中從中文到英文翻譯和從英文到中文的翻譯互為對(duì)偶［14?15］、語(yǔ)音處理中語(yǔ)音識(shí)別和語(yǔ)音合成互為對(duì)偶［16］、圖像理解中基于圖像生成文本和基于文本生成圖像互為對(duì)偶、問(wèn)答系統(tǒng)中回答問(wèn)題和生成問(wèn)題互為對(duì)偶，以及在搜索引擎中給檢索詞查找相關(guān)的網(wǎng)頁(yè)和給網(wǎng)頁(yè)生成關(guān)鍵詞互為對(duì)偶。這些互為對(duì)偶的人工智能任務(wù)可以形成一個(gè)閉環(huán)，使對(duì)沒(méi)有標(biāo)注的數(shù)據(jù)進(jìn)行學(xué)習(xí)成為可能［17］。我們借鑒了雙重學(xué)習(xí)方法，構(gòu)建了一個(gè)雙重任務(wù)，為我們的SR模型提供額外的約束。

2 模型框架

本文提出了一個(gè)增加約束的多尺度特征融合網(wǎng)絡(luò)（additional constraint in multi?resolution feature fusion network，ACMF）來(lái)處理超分辨率任務(wù)，整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，其中虛線矩形框內(nèi)為對(duì)偶任務(wù)。提取的淺層特征輸入到特征下采樣模塊，通過(guò)不斷向下進(jìn)行獲取多尺度特征，多尺度特征融合部分通過(guò)多分辨率特征融合進(jìn)行特征學(xué)習(xí)，圖像重建部分將學(xué)習(xí)到的特征恢復(fù)到圖像中，對(duì)偶模型將從SR圖像重構(gòu)LR圖像，提供額外的損失函數(shù)約束。值得注意的是，在輸入網(wǎng)絡(luò)提取淺層特征之前，我們先使用雙三次插值算法將LR圖像放大到SR的尺度。

圖2 ACMF網(wǎng)絡(luò)的結(jié)構(gòu)圖（x4）

2.1 淺層特征提取和重建部分

在將LR 圖像輸入網(wǎng)絡(luò)之前，我們先使用雙三次插值算法將其放大到SR尺度。如圖2所示，我們利用一個(gè)3*3 卷積作為淺層特征提取部分，然后將每個(gè)PDB 模塊得到的淺層特征輸送到MRF模塊進(jìn)行多尺度特征融合。需要注意的是，最后一個(gè)PDB 模塊的輸出直接輸入到RPUB 模塊學(xué)習(xí)深層多尺度特征，由于網(wǎng)絡(luò)最終輸出的深層特征已經(jīng)被放大至SR 尺度（詳見(jiàn)2.2 節(jié)），我們的圖像重建部分只有一個(gè)3*3卷積，沒(méi)有上采樣層。重構(gòu)層將學(xué)習(xí)到的特征恢復(fù)為圖像。

2.2 多尺度特征融合

多尺度特征融合部分是網(wǎng)絡(luò)的主干部分，包括PDB、RPUB 和MRF 三部分。多尺度特征融合過(guò)程的特征映射可視化如圖3所示。下面分別介紹這些模塊的詳細(xì)細(xì)節(jié)。

圖3 多尺度特征融合過(guò)程

2.2.1 PDB模塊

PDB 模塊的細(xì)節(jié)如圖4（a）所示。該模塊由三部分組成：Pixel?Unshuffle、最大池化層和3*3標(biāo)準(zhǔn)卷積層。先前的研究［18?19］表明，低分辨率特征可以增強(qiáng)高分辨率表示。PDB 模塊作用于淺層特征獲得淺層多尺度特征，通過(guò)特征融合增強(qiáng)特征表示。

圖4 模塊結(jié)構(gòu)圖

Pixel?Unshuffle 可以簡(jiǎn)單理解為Pixel?Shuffle操作的逆變換。它可以將原始特征變換為多個(gè)更低尺度的子特征，與原始特征相比，子特征包含了原始特征的全部信息，同時(shí)降低了特征的尺度。與步長(zhǎng)卷積或插值相比，Pixel?Unshuffle 在降低特征分辨率的同時(shí)避免了信息的丟失。在Pixel?Unshuffle 操作之后，我們需要對(duì)低尺度子特征進(jìn)行非線性操作以提取更好的局部特征。參考Sun 等［13］的工作，我們選擇最大池化來(lái)處理子特征。這個(gè)過(guò)程描述為

其中：Fout代表輸出特征，Pu表示Pixel?Unshuffle操作，M代表最大池化層（步長(zhǎng)為1），F(xiàn)in表示輸出特征。這里Fout是通過(guò)非線性運(yùn)算后得到的低尺度特征，與原始特征的子特征相比，它能表達(dá)更突出的局部特征。然后利用標(biāo)準(zhǔn)的1*1卷積層來(lái)減少特征通道的數(shù)量。

2.2.2 RPUB模塊

我們選擇殘差通道注意力模塊（RCAB）［3］作為網(wǎng)絡(luò)的基本塊，使用B個(gè)RCAB塊堆疊來(lái)增加網(wǎng)絡(luò)深度。通過(guò)RCABs得到深層學(xué)習(xí)特征之后，利用Pixel?Shuffle 來(lái)放大特征，如圖4（b）所示，這個(gè)過(guò)程可以表述為

其中：P代表Pixel?Shuffle操作，Rb-1代表第(b-1)個(gè)RCAB塊，F(xiàn)b-1則代表該塊相應(yīng)的輸入。通過(guò)以上流程之后，就得到了放大后的深層特征，需要注意的是，每一次的深層特征放大都對(duì)應(yīng)前面的一次PDB。

2.2.3 多尺度特征融合模塊（MRF）

我們利用PDB 模塊和RPUB 模塊分別獲得淺層多尺度特征和深層多尺度特征。接下來(lái)需要一種高效的融合方法來(lái)融合多尺度特征，所以我們構(gòu)建了多尺度特征融合模塊，該模塊的細(xì)節(jié)如圖4（c）所示。用FD表示由PDB 模塊獲取到的淺層特征，用FU表示由RPUB 模塊得到的深層特征，這個(gè)融合過(guò)程可描述為

其中：C表示標(biāo)準(zhǔn)的3*3 卷積層，RUD表示一個(gè)源中存在而另一個(gè)源中不存在的信息，F(xiàn)out表示經(jīng)過(guò)融合后得到深度殘差特征。該融合模塊能使網(wǎng)絡(luò)繞開(kāi)不同源特征中的相同部分，更加關(guān)注不同特征源中的特殊部分。該模塊能提高網(wǎng)絡(luò)的判別能力，并在融合不同來(lái)源特征的同時(shí)進(jìn)行殘差學(xué)習(xí)，與單純的加法操作和拼接操作相比，有利于提高特征學(xué)習(xí)能力［20］。

2.3 增加約束的對(duì)偶學(xué)習(xí)

對(duì)偶學(xué)習(xí)方法同時(shí)學(xué)習(xí)兩個(gè)相反的映射，通過(guò)對(duì)偶模型間的相互反饋提高初始任務(wù)模型的性能。在我們的網(wǎng)絡(luò)中，初始任務(wù)模型的任務(wù)是訓(xùn)練SR 模型。相應(yīng)地，對(duì)偶任務(wù)是學(xué)習(xí)從SR 到LR 的下采樣映射。參考文獻(xiàn)［12］中的方法，我們引入了一個(gè)對(duì)偶學(xué)習(xí)任務(wù)，從SR 圖像重建LR 圖像。為了保證與SR 網(wǎng)絡(luò)的一致性，對(duì)偶學(xué)習(xí)任務(wù)通過(guò)PDB模塊實(shí)現(xiàn)下采樣映射（見(jiàn)圖2中虛線框部分）。

如果重建的SR 圖像無(wú)限接近真實(shí)的HR 圖像，則相應(yīng)的從SR 圖像下采樣得到的圖像應(yīng)該是近似LR 圖像。意識(shí)到這一點(diǎn)，就可以通過(guò)增加額外約束來(lái)減小函數(shù)空間，優(yōu)化訓(xùn)練時(shí)的損失函數(shù)。訓(xùn)練過(guò)程中，除了計(jì)算SR 圖像與HR圖像之間的損失(LP)之外，還引進(jìn)了LR 圖像與對(duì)偶模型重建出的圖像之間的損失(LD)，最終損失函數(shù)(L)由LP和LD共同確定。其表達(dá)式為：L=LP+λLD。訓(xùn)練中設(shè)置λ=0.1。

3 實(shí)驗(yàn)結(jié)果

3.1 實(shí)驗(yàn)環(huán)境

3.1.1 數(shù)據(jù)集和指標(biāo)

參考前人的研究工作［21?23］，我們選擇數(shù)據(jù)集DIV2K［22］和Flickr2K［4］作為訓(xùn)練數(shù)據(jù)來(lái)訓(xùn)練我們的網(wǎng)絡(luò)模型。選擇以下標(biāo)準(zhǔn)基準(zhǔn)數(shù)據(jù)集進(jìn)行測(cè)試:Set5［24］，Set14［25］， B100［26］，Urban100［27］和Manga109［28］。選 擇 了 圖 像 評(píng) 價(jià) 指 標(biāo)PSNR 和SSIM［29］來(lái)衡量重建圖片質(zhì)量。將圖像轉(zhuǎn)換到Y(jié)CbCr空間，并在Y通道上評(píng)估圖像質(zhì)量。對(duì)于BI 退化模型，我們通過(guò)實(shí)驗(yàn)分別重建了比例因子為x4，x8的圖像。

3.1.2 訓(xùn)練參數(shù)設(shè)置

我們將成對(duì)的LR 和HR 圖像裁剪成大小為48×48 的塊作為訓(xùn)練數(shù)據(jù)集，并使用［3?4］中的數(shù)據(jù)增廣方法。在將LR 圖像輸入網(wǎng)絡(luò)之前，我們先利用雙三次插值對(duì)LR 圖像進(jìn)行上采樣，上采樣因子為SR 因子。設(shè)r= 2 為Pixel?Unshuffle 中的比例因子。對(duì)于4xSR，我們?cè)赗PUB 模塊中設(shè)置B= 30 個(gè)RCAB 塊，并設(shè)置logr(4)個(gè)PDB模塊和RPUB 模塊；對(duì)于8×SR，我們?cè)赗PUB模塊中設(shè)置B=30個(gè)RCAB塊，并設(shè)置logr(8)個(gè)PDB模塊和RPUB模塊。采用ADAM優(yōu)化器更新網(wǎng)絡(luò)參數(shù)權(quán)重，指數(shù)衰減速率設(shè)置為β1= 0.9，β2=0.999，初始學(xué)習(xí)率設(shè)置為10-4，經(jīng)過(guò)106 次迭代的余弦退火學(xué)習(xí)率衰減到10-7。

3.2 結(jié)果對(duì)比

為了證明所提方法的有效性，我們將訓(xùn)練模型重建圖像的評(píng)估結(jié)果與以下經(jīng)典方法進(jìn)行比 較：ESPCN［11］，SRGAN［30］，LapSRN［6］，Dense?Net［31］，EDSR［4］，DBPN［9］，RCAN［3］，SAN［32］，RRDB［33］和DRN［12］。表1 列出了所有與BI 退化模型的對(duì)比結(jié)果。從結(jié)果來(lái)看，我們的ACMF網(wǎng)絡(luò)與以上方法相比，可以取得更好或相當(dāng)?shù)男阅?。?duì)于4xSR，ACMF 在Set14 和Manga109上表現(xiàn)最好，SSIM 指標(biāo)在Set5 上表現(xiàn)出最好結(jié)果。特別是對(duì)于8xSR，ACMF 在大多數(shù)基準(zhǔn)數(shù)據(jù)集上的性能都遠(yuǎn)遠(yuǎn)優(yōu)于其他方法，這也證明了我們的網(wǎng)絡(luò)具有更強(qiáng)的泛化能力。

表1 BI退化模型下各基準(zhǔn)數(shù)據(jù)集下的結(jié)果比較

對(duì)于圖像的視覺(jué)質(zhì)量比較，我們將重建的SR 圖像與其他方法重建的圖像進(jìn)行視覺(jué)效果對(duì)比。

圖5 和圖6 展示了對(duì)比結(jié)果，對(duì)于圖像“img002（x4）”，與其他方法產(chǎn)生的圖像整體模糊相比，我們的圖像具有更高的對(duì)比度。對(duì)于圖像“img015（x4）”，大多數(shù)方法都容易產(chǎn)生偽影或生成的輪廓不夠清晰。相比之下，本文方法恢復(fù)了更準(zhǔn)確的細(xì)節(jié)和更尖銳的輪廓。對(duì)于圖像“img024（x4）”，本文方法實(shí)現(xiàn)了其他比較方法無(wú)法恢復(fù)的線細(xì)節(jié)。對(duì)于圖像“img070（x4）”，可以清楚地看到其他方法生成的圖片中城堡線輪廓的失真，而我們的方法恢復(fù)了接近真實(shí)的線輪廓。此外，在圖6中，本文模型重建的SR 圖像對(duì)于8×SR 具有更清晰的邊緣和形狀。這些對(duì)比結(jié)果進(jìn)一步證明了本文方法可以提取更復(fù)雜的特征，并且重建出更接近真實(shí)的圖像。

圖6 8xSR視覺(jué)效果對(duì)比

3.3 消融實(shí)驗(yàn)

通過(guò)進(jìn)一步的實(shí)驗(yàn)證明了所提方法的有效性。為了便于比較，以步長(zhǎng)為2的卷積作為PDB模塊的基準(zhǔn)；以加法特征融合作為MRF 模塊的基準(zhǔn)，分別研究了PDB 模塊和MRF 模塊對(duì)實(shí)驗(yàn)結(jié)果的影響。4×SR不同組合消融結(jié)果見(jiàn)表2。

表2 不同模塊對(duì)網(wǎng)絡(luò)模型的影響

3.3.1 PDB模塊的影響

前節(jié)討論了PDB 相比于步長(zhǎng)卷積，既能保證信息的完整性，又能與Pixel?Shuffle 操作對(duì)稱互補(bǔ)。從表2 的結(jié)果來(lái)看，僅使用PDB 模塊的模型比基準(zhǔn)模型（使用步長(zhǎng)卷積和加法特征融合的模型）的PSNR結(jié)果高出0.13 dB；使用PDB模塊和MRF 模塊的模型比僅使用MRF 的模型PSNR 結(jié)果高出0.03 dB。這主要是因?yàn)镻DB 中的Pixel?Unshuffle 操作可以在降低特征分辨率的同時(shí)避免信息丟失，下采樣過(guò)程保留了相對(duì)完整的特征信息。得益于互為逆運(yùn)算的上下特征采樣操作，下采樣特征和上采樣特征形成信息對(duì)稱互補(bǔ)。這些結(jié)果表明，我們的PDB 模塊可以學(xué)習(xí)到更完整的信息，提高SR的性能。

3.3.2 MRF模塊的影響

前面討論了MRF 有利于提高特征學(xué)習(xí)能力，并在融合不同特征源時(shí)進(jìn)行殘差學(xué)習(xí)。從表2 的結(jié)果來(lái)看，僅使用MRF 模塊的模型比基準(zhǔn)模型（使用步長(zhǎng)卷積和加法特征融合的模型）的PSNR 結(jié)果高出0.15 dB；使用PDB 模塊和MRF 模塊的模型比僅使用PDB 的模型PSNR 結(jié)果高出0.05 dB。這是因?yàn)镸RF更關(guān)注不同特征源之間的特殊部分，同時(shí)進(jìn)行殘差學(xué)習(xí)，能夠提高模型辨別能力，學(xué)習(xí)到更好的特征。這些結(jié)果表明MRF模塊提高了特征融合效果。

4 結(jié)語(yǔ)

提出了一種附加約束的多尺度特征融合網(wǎng)絡(luò)（ACMF）。ACMF 框架有效地挖掘了淺層下采樣特征信息，并進(jìn)行了高效的多尺度特征融合，提高了SR任務(wù)的性能。我們利用Pixel?Unshuffle操作來(lái)降低特征分辨率，同時(shí)避免信息丟失，并通過(guò)多尺度特征融合增強(qiáng)特征表示。此外，還學(xué)習(xí)了獲取重構(gòu)LR 圖像的對(duì)偶任務(wù)，以增加額外的約束來(lái)優(yōu)化損失函數(shù)。在基準(zhǔn)測(cè)試上的大量實(shí)驗(yàn)表明，我們的模型表現(xiàn)出相當(dāng)有競(jìng)爭(zhēng)力的性能。