该研究提出了一种基于 CNN 的比特深度扩展网络 (BitNet)，其采用编码器 - 解码器架构和多尺度特征集成，可将低比特深度图像转换成高比特深度图像；相较于之前的方法，BitNet 能够同时处理所有 RGB 通道，显著提高了颜色的恢复效果，在四个数据集上表现优于其他现有 BDE 方法和 CNN 图像处理网络，并具有最快的近实时计算速度。

Oct, 2019

本文探讨了使用深度展开技术以及基于模型的机器学习方法来解决从一位噪声测量中恢复信号的问题，并将推理优化算法的迭代展开成深度神经网络的层，获得了高精度和更高的计算效率。

Nov, 2018

通过针对不同的量化图像进行学习，以高位平面的信息为基础形成粗略的印象，并将低位平面仅用于细化预测，该方法与当前的对抗攻击防御方法相比，不用显式地对模型进行对抗性训练，从而实现了更快的训练速度和更接近自然学习过程的优点。

Apr, 2020

超分辨率图像处理中的自适应推理方法，通过量化位宽的调整降低了计算和存储开销，从而在保持准确性的同时加快了处理速度。

Apr, 2024

用基于深度神经网络的质量敏感位速率自适应算法取代传统神经网络的定长空间位速率压缩算法，通过切块神经网络结构实现空间上下文预测，最终量化定量（PSNR）与定性（主观评估）评价得分优于其他基准模型。

Feb, 2018

本篇论文提出一种深度神经网络结构来平衡网络延迟、内存使用率、模型参数和重建质量等因素，有效地提高了暗光环境下的图像增强处理，尤其适用于边缘设备如嵌入式系统、监控摄像头、自主机器人和智能手机等。

Nov, 2020

2DQuant 是一种双阶段低比特后训练量化（PTQ）方法，通过研究权重和激活分布，使用分布导向边界初始化和蒸馏量化校准的方法，实现了在低比特量化下高效准确的图像超分辨率。

Jun, 2024

介绍了一种数据自由的量化深度神经网络方法，采用固定 8 位定点量化的方式来提高计算效率，并且通过处理激活函数中的比例等变性和纠正误差偏差来提高性能和准确度，可应用于常见的计算机视觉架构和任务中，以 API 调用的形式提高量化模型的性能和表现。

Jun, 2019

本文研究发现深度神经网络在训练时即使将权重量化并投影为二进制表示也能取得优秀的性能，而在测试阶段，这些网络对于除量化以外的扭曲，包括加性和乘性噪声以及一类非线性投影具有显著的鲁棒性。此外，我们还发现基本水平的鲁棒性可以通过调整或删除一个通用的训练启发式（即在反向传播过程中投影量化权重）来实现，包括使用其他类型的权重投影和简单地剪裁权重。最后，我们提出了一种随机投影规则，实现了无数据增强条件下 CIFAR-10 中 7.64% 的测试错误率的最新记录。

Jun, 2016

使用优化的多尺度 Retinex 算法和基于 U-Net 架构的深度学习方法，对 16bpp 的热红外图像进行色调映射算法的研究，以及使用自监督深度学习方法减少噪音并提高热红外视频增强质量，并在公共 FLIR ADAS 数据集上证明了所提出的方法效果优于现有技术。

May, 2023