本文通过将频率信息聚合在像素区域中来扩展传统的位置编码，提出了集成位置编码（IPE），并将其应用于最先进的任意尺度图像超分辨率方法之一：局部隐式图像函数（LIIF），提出了 IPE-LIIF。我们通过定量和定性评估展示了 IPE-LIIF 的有效性，进一步证明了 IPE 对更大的图像尺度和多个隐式方法的泛化能力。

Dec, 2021

该论文提出了一种基于隐式图像函数的新网络设计 ——UltraSR，它深度融合了空间坐标和周期编码，并通过实验证明了空间编码对于高性能隐式图像函数的重要性，并在 DIV2K 基准测试中取得了新的最先进表现。

Mar, 2021

本文提出了 Poly-INR 模型，通过使用多项式函数来消除位置编码的限制，为生成建模任务在复杂领域中采用 INR 模型铺平了道路。Poly-INR 模型在像 ImageNet 这样的大型数据集上进行了定性和定量评估，并表现出与最先进的生成模型可比的性能，可消除卷积、规范化或自注意力层，具有更少的可训练参数。

Mar, 2023

本文提出了一种新颖的名为 $O^{2}$former 的框架，通过引入方向操作员和多尺度特征融合策略，改善了放射性图像超分辨率任务中重建模型的性能，有望进一步推动放射图像增强领域的发展。

Dec, 2023

本文提出了一种两阶段的 360 度全向图像超分辨率框架，利用全向位置感知可变形块（OPDB）和傅里叶上采样，以及空间频率融合模块（SFF）来增强 360 度全向图像的特征提取和高频信息，通过像素解交错操作和数据的收集和处理，该方法在 NTIRE 2023 挑战中的成绩卓越。

Apr, 2023

单张图像超分辨率（SISR）使用深度卷积网络取得了显著的进展，但传统网络只能将图像放大到固定比例，因此利用隐式神经函数生成任意比例的图像；本文介绍了一种新颖高效的框架 —— 混合专家隐式超分辨率（MoEISR），它在显著提高计算效率的同时，能够以任意比例进行超分辨率重建，而不损失重建质量；MoEISR 利用轻量级映射器模块动态分配最适合的解码专家给每个像素，使具有不同容量的专家能够重建复杂度各异的区域像素；实验证明，MoEISR 能够在缩减高达 73% 的浮点运算（FLOPs）的同时，提供相当或更优的峰值信噪比（PSNR）。

Nov, 2023

本文提出基于位置编码和跨尺度图像合成的方法，并在多个数据集上展现了稳定高质量的生成效果。

Apr, 2022

该论文提出了一种基于预测偏移量的超分辨率算法，SRPO，用于实时计算机图形的超分辨率处理，该算法分为两部分：分别处理边缘和平坦区域，只包含 8434 个参数，可以通过网络量化加速，并且在小的计算资源下，能够以比现有的最先进方法更小的计算成本获得卓越的视觉效果。

Oct, 2022

本文提出了在线卷积重参数化（OREPA）方法来减少庞大的训练时间的成本，并探讨了一些更有效的重参数化组件，相较于现有的重参数化模型能够节省约 70％的训练时间内存成本，加速训练速度约 2 倍，并在 ImageNet 上优于以前的方法高达 + 0.6％，在物体检测和语义分割上也取得了一致的改善。

Apr, 2022

提出了一种改进了隐式神经表示（INR）的重构质量的新型位置编码方法，该嵌入方法在紧凑数据表示方面具有更大数量的频率基础，并在压缩任务中不引入任何额外复杂度的情况下，在速率失真性能和新视角合成的重构质量方面取得了显著的增益。

Nov, 2023