本研究提出了新的 MobileNetV2 架构，通过在多个任务和基准上的性能改进，跨不同模型尺寸范围提高了移动模型的性能；此外，通过称为 SSDLite 的新颖框架来应用这些移动模型进行目标检测；最后，我们构建轻量级的 Mobile DeepLabv3 来进行移动语义分割。

Jan, 2018

本文介绍了一种新的 bottleneck design，叫做 sandglass block，它通过在更高的维度上执行 identity mapping 和空间变换来减轻信息丢失和梯度混淆的风险，并证明了它对于移动网络的性能更有益。

Jul, 2020

通过学习特定分布下的高分辨率图像与低分辨率图像之间的双射映射，我们提出了可逆残差缩放模型 (IRRM) 来构建深度网络，通过长跳跃连接的残差降采样模块 (RDM) 和短连接的可逆残差块 (IRB) 来强制模型提取图像的高频信息，从而在图像缩放任务中显著优于其他先进方法，且使用更少的参数和复杂性。

May, 2024

通过研究现有的内置训练方法的局限性，本文提出了基于块选择性重编程（BSR）的方法，在部分冻结层的基础上，根据自注意力得分从预训练模型中选择性地丢弃令牌，有效地减少训练内存和计算成本，同时保持相似的准确性，适用于多任务学习场景。

Mar, 2024

通过改进的残差网络 (IRNet) 提出了一种轻量级的反转色调映射 (ITM) 方法，使用新的改进残差块 (IRB) 提取和融合多层特征进行高动态范围图像的重建，实验结果显示 IRNet 在 ITM 和联合 SR-ITM 任务上达到了最先进的性能水平。

Jul, 2023

提出了 AdaptIR，一种适应预训练恢复模型的新型参数高效迁移学习方法，通过采用多分支入射结构来正交地捕捉局部空间、全局空间和通道交互，以实现在非常低的参数预算下的强大表示。实验证明，该方法仅使用 0.6% 的参数就能达到与全微调相当甚至更好的性能。

Dec, 2023

本文提出了一种名为 “不对称瓶颈” 的新型卷积神经网络模块设计，它采用调整第一次卷积层维度、特征重用和计算迁移等手段来优化紧凑型 CNN 的性能，通过实验证明，在移动网络和超轻量级 CNNs 中使用该设计可以比之前的设计进一步提高网络的精度，代码可在给出的网址中查看。

Apr, 2021

通过期望较紧的下界（ETB），我们可以将 IBP 的置信区间传播方法扩展到更深的神经网络，通过简单的标准训练程序在 MNIST 和 CIFAR10 上实现了令人印象深刻的鲁棒性 - 准确性平衡。

May, 2019

本研究展示了传统的 ResNet 模型可以被做成可逆的，这意味着同一个模型可以同时用于分类、密度估计和生成。令人惊讶的是，我们的方法只需要在训练时增加一个简单的归一化步骤，而不需要将维度分割或限制网络结构。作为一种生成模型，可逆的 ResNet 可以通过无标签数据的最大似然估计进行训练。为了计算似然，我们引入了一个可计算的对余块 Jacobian 行列式对数的近似值。实验证明，可逆 ResNet 在严格意义下表现出色，达到了同一个架构内同时具有现有最先进图像分类器和流式生成模型的性能。

Nov, 2018

论文提出了 Residual Flows 的方法，该方法使用 “俄罗斯轮盘” 估计器提供可行的无偏似然估计，并使用一种替代无穷级数以线性内存对残差块进行训练，并取得了在流基模型密度估计方面的最优性能，并且在联合生成和判别建模上超过使用耦合块的网络。

Jun, 2019