本文提出了一种新的图像超分辨率方法，该方法使用端到全部可训练的深度卷积神经网络来联合学习特征提取、上采样和高分辨率重建模块，同时在潜在特征空间中进行上采样，并通过多尺度 HR 重建以获得更精确的图像恢复，进一步实现了不同网络设计在图像超分辨率中的贡献并为未来的研究提供了更多见解。

Jul, 2016

通过引入多深度分支网络（MDBN），本文提出了一种新的超分辨率方法，该方法可以更好地提取和保留高频细节同时降低计算代价。

Sep, 2023

通过在模型架构和压缩技术上进行协同设计，卷积神经网络（CNN）的轻量化设计需要努力。作为一种新颖的设计范式，结构再参数化（SR）网络如代表性的 RepVGG 使简单的 VGG-like 网络以高度准确性得到重塑，与先进且通常更复杂的网络相当。然而，SR 网络中的合并过程会引入权重的异常值，使其分布与传统网络有所不同，从而加大了量化的难度。为了解决这个问题，我们提出了一种称为 Outlier Aware Batch Normalization（OABN）的操作级改进的训练方法。此外，为了满足有限的位宽要求并保持推断准确性，我们开发了一种基于聚类的非均匀量化框架 ClusterQAT 用于量化感知训练（QAT）。集成 OABN 和 ClusterQAT 后，RepVGG 的量化性能得到了大幅提升，尤其在位宽低于 8 时。

Feb, 2024

本文提出一种深度学习方法用于图像超分辨率，采用卷积神经网络直接将低分辨率图片转换为高分辨率图片，能够实现较快的速度和超强的恢复质量，扩展支持三种颜色通道同时处理。

Dec, 2014

本文设计了一种改进的重新参数化搜索空间以及基于神经网络架构搜索的自动重新参数化增强策略，通过搜索优秀的重新参数化架构进一步提高了卷积网络的分类精度。

Apr, 2022

该研究提出了一种学习统一框架下的一组 SR 预测模块的方法，这些模块专注于不同的图像局部模式和使用神经网络来进行图像超分辨率，相比其他方法在广泛范围内实现了最先进的恢复效果。

Jan, 2017

本文探讨了网络二值化在单图像超分辨率中的应用，给出了一种只对残差块中的卷积滤波器进行二值化并采用可学习权重的方法，实验表明该方法在保持重构精度的同时能够显著减小模型大小并提供更高的推理速度。

Dec, 2018

本文研究了超分辨率的残差网络中宽激活对性能的重要性，提出了 WDSR 模型，并证明其在大规模图像超分辨率基准测试中具有更好的准确性和效率，同时也在 2018 年 NTIRE 单图像超分辨率挑战中取得了好成绩。

Aug, 2018

本研究介绍了一种利用循环神经网络中隐藏状态和反馈机制进行图像超分辨率的新方法，该方法在多种图像降质情况下具有优越性能，并进行了课程学习来适应更复杂的任务。

Mar, 2019

本研究提出了一种基于多任务学习的框架，通过引入全局边界上下文和残留上下文来提升图像恢复中结构细节的保留，其在多个标准基准测试中表现出比其他基于卷积神经网络的 SR 方法更高的恢复质量和计算效率。

Jul, 2017