本文提出了双向耦合网络 (BCNet) 的概念，使用随机补充和先验采样技术来训练 BCNet，能够更准确地评估每个网络宽度。在 CIFAR-10 和 ImageNet 数据集上的实验表明，该方法在性能上超越了其他基线方法，并通过对 NAS 模型的网络宽度进行优化，进一步提高了性能。

May, 2021

本文提出了一种自由权重共享的策略 CafeNet 和一种减小搜索空间的方法来更好地评估每个网络宽度，该方法可以在 ImageNet、CIFAR-10、CelebA 和 MS COCO 数据集上进行验证，并被证明优于其他最先进的基线模型，特别是通过更精细地搜索其宽度，我们的方法可以进一步提高基准 NAS 网络 EfficientNet-B0 的性能 0.41%。

Feb, 2021

本研究提出了一种高效的一次性神经结构搜索方法，通过优化搜索通道数以求在特定硬件上的延迟限制下，获得较好的神经结构性能，并通过适应性通道策略逐步满足目标计算约束。在 ImageNet 分类的实验中，该方法可以找到符合资源约束的网络解决方案，同时提高了有效网络的准确性，展示出新的颖展性。

May, 2020

本文提出了一种可调节宽度的 CNN 架构和相关训练程序 ——Any-Width Network（AWN）—— 它允许在推理过程中对速度和准确性进行精细控制，其关键创新是使用下三角权重矩阵，该矩阵可以明确地解决宽度变化批量统计问题，并且自然适合于多宽度操作，同时我们也证明了这种设计有助于基于随机宽度抽样的高效训练方案，我们通过实验证明，我们提出的 AWN 在比较现有方法时具有优势，同时在推理过程中提供了最细粒度的控制。

Dec, 2020

该论文提出了一种名为 “通用可变宽度神经网络” 的系统方法，将可变宽度神经网络扩展到任意宽度，提出了两种改进的训练技术，能够提高训练过程和测试准确性；作者在 ImageNet 分类任务、图像超分辨率和深度强化学习任务上评估了其方法，证明其有效性，同时打开了直接评估网络结构 FLOPs-Accuracy 谱的可能性。

Mar, 2019

提出了宽度 - 分辨率互学习方法 MutualNet，通过训练不同宽度的多个子网络来实现自适应准确性和效率之间的权衡，最终在不同计算约束下，通过互学习获得更好的 ImageNet top-1 精度。

Sep, 2019

本研究针对网络二值化技术领域的准确度损失问题，提出了三种新方法：1）使用专家二值卷积提高模型容量，2）引入宽度扩展机制以提高表示容量，3）提出了一种可行的网络增长机制以获得良好的网络拓扑结构，通过实验在 ImageNet 分类任务上取得了超过以往方法 6% 的精度提升。

Oct, 2020

本研究提出了使用进化搜索来促进 MobileNet 的二值化设计和训练方案，通过操作组卷积的想法来设计高效的 1 位卷积神经网络，从而探索最佳的候选组卷积，以优化模型性能，并在 ImageNet 上进行了各种实验，展示了我们的构建指南，最终模型在相同计算成本下超越了现有技术。

May, 2020

设计了一个新的 U-Net 网络连接模式，即 Coupled U-Net (CU-Net)，通过语义块的连接实现多个 U-Net 之间信息的高效流动和参数的复用，用于人体姿态估计任务，与其他方法相比，能够达到类似的准确率，但参数数量最少减少 60%。

Aug, 2018

介绍了 Harmonious Bottleneck on two Orthogonal dimensions (HBO) 和 HBONets，这是 MobileNets 的一种新的架构模块和模型，其在提高模型准确度方面表现出色，并且具有很强的计算效率。

Aug, 2019