移动设备上的视频流媒体体验优化是一个挑战，本文提出了一种基于深度学习的实时增强方法，包括视频帧恢复、超分辨率算法和接收端增强感知的视频比特率自适应算法，评估结果显示该方法能够提高视频流媒体系统的实时增强效果，并显著提高 24% 至 82% 的视频体验质量。

Jul, 2023

本文回顾了旨在在智能手机上部署深度学习模型以实现高效视觉图像增强的首次挑战赛，其中包括经典的图像超分辨率问题和实际中的照片增强问题等。经过实验证明，所提出的解决方案显著改善了现有基线结果，定义了智能手机图像增强领域的最新技术水平。

Oct, 2018

本研究提出了一种名为 MobiSR 的框架，针对超分辨率任务提供了高效的本地处理解决方案，其采用了模型压缩技术和新颖的调度器，在满足图像质量要求的前提下，实现最小处理延迟，与现有实现相比，可以达到 2.13 倍至 4.79 倍的加速。

Aug, 2019

该论文系统研究了基于深度学习的 33 种视频超分辨率方法，提出了一个分类法并将这些方法分属到六个子类中，并详细描述了所有方法的体系结构和实现细节。通过在一些基准数据集上对代表性 VSR 方法的性能进行总结和比较，讨论了 VSR 领域中需要进一步研究的一些挑战。这项工作预计对 VSR 技术的深度学习方法做出贡献，从而深化我们对该领域的理解，并成为该领域中最早的系统研究之一。

Jul, 2020

该研究提出了一种基于深度学习的图像信号处理流程来提高移动相机的感知性能，通过使用 Sony IMX586 Quad Bayer 移动传感器和专业的 102 百万像素中画幅相机拍摄的 RAW-RGB 图像对生成所作的全新学习型 ISP 数据集来评估该方法，其处理时间低于 100 毫秒且具有高保真度。

May, 2021

本文提出一种卷积神经网络，该网络的特征图在低分辨率空间中提取，使用高效的子像素卷积层将最终的低分辨率特征图升级到高分辨率输出，从而有效地将手工设计的双三次滤波器替换为针对每个特征图训练的更复杂的上采样滤波器，同时降低总体超分辨率操作的计算复杂度。该方法的实验结果表明，它在图像和视频方面的表现都比以前的基于 CNN 的方法好得多，并且速度快了一个数量级。

Sep, 2016

利用深度卷积神经网络，结合时空信息，通过数据导向联合训练技术，实现高质量高效实时的视频超分辨率提升，相比现有技术在流媒体视频分辨率提升任务中提高了 14 倍帧率同时提高 2.29dB 的画质。

Mar, 2023

本研究提出了一种有效训练基于深度学习的超分辨率模型的方法，通过利用自动生成的高分辨率图像，仅使用一个真实图像进行训练。这种方法可自主筛选图像，从而逐步生成优化的训练数据集，提高模型的性能和可视化效果，同时维护原始生物医学图像的特性，以无须真实世界人类数据的方式训练深度神经网络。

Jun, 2023

这篇论文中，我们使用多帧超分辨率算法直接从一连串的彩色滤波阵列原始图像中创建完整的 RGB 图像，以替代传统的单帧和连拍摄影流程中使用的去马赛克方法。该算法旨在提高图像分辨率和信噪比，支持多种场景条件，可以在短时间内运行。实际应用于手机的两个功能：Super-Res Zoom 和 Night Sight 模式。

May, 2019

本文介绍了 Mobile AI 挑战赛，通过提供包含 RGB 深度图像的大规模数据集，旨在开发基于端到端深度学习的高效的实时深度估计解决方案，可运行于移动设备上，并在 Raspberry Pi 4 上具有较快的运行速度和高精度度量。

May, 2021