超分辨率图像处理中的自适应推理方法，通过量化位宽的调整降低了计算和存储开销，从而在保持准确性的同时加快了处理速度。

Apr, 2024

本文提出一种新型动态压缩方法 (CADyQ) 来优化图像超分辨率神经网络中由于量化引起的计算过于复杂的问题，通过在根据输入图像局部区域和图层进行自适应位宽和量化级别分配的可训练比特选择器模块中引入量化敏感性评估，以实现高平均位减少和更小的精度损失。

Jul, 2022

本文提出了一种新型的多路径自适应调制网络（MAMNet）来解决图像超分辨率问题，该网络可以更好地适应不同类型图像的特征，相比其他特征调制方法，具有更好的性能和参数效率，并在实验中表现出超过大部分最先进方法的性能。

Nov, 2018

本文研究高效图像超分辨率算法的 8 位量化，提出了一种适用于移动设备的基于锚点神经网络的算法，并采用定量化训练策略，使该模型在保证性能的情况下可以胜过当前同类算法。

May, 2021

针对模型量化与 SR 网络训练中的两个困难，本文提出了一种全量化图像超分辨率框架（FQSR）来同时优化效率和精度，并在多个主流 SR 构架上应用，实验表明与全精度 SR 方法相比，FQSR 具有相同的性能和较低的计算成本。

Nov, 2020

为了满足对大尺寸图像（2K-8K）超分辨率（SR）的迅速增长需求，本研究提出了一种内容感知混合器（CAMixer），通过使用卷积处理简单的上下文和可变形窗口注意力处理稀疏纹理，使卷积具有动态属性，自适应地调节注意力并改善表示能力，通过简单堆叠 CAMixer，得到了在大图像 SR、轻量级 SR 和全方位图像 SR 上取得优秀性能的 CAMixerSR。

Feb, 2024

本研究提出一种基于注意力机制的反向投影网络（ABPN）用于图像超分辨率，使用增强的反向投影块提高低分辨率特征残差，结合空间注意力块（SAB）学习不同层次中特征之间的交叉相关性，并加入完善后的反向投影块（RBPB）进行重建，实验结果表明该方法在定量和定性指标上均取得了最新的优秀结果。

Oct, 2019

提出了一种新的内容感知可扩展网络 CASNet，采用数据驱动的显着性检测器评估不同图像区域的重要性，并提出基于显着性的块比率聚合策略进行采样率分配，用联合可学习的生成矩阵生成任何 CS 比率的采样矩阵。同时，CASNet 拥有优化启发式恢复子网络和防止阻塞伪影的多块训练方案，该网络能够联合重建不同采样率采样的图像块。

Jul, 2022

本篇论文提出一种名为 LAM 的局部指向图方法，通过对超分辨率（SR）神经网络模型及图像的像素引入模糊因子，探索其对模型输出结果的影响，结果表明：1）输入像素范围越广，SR 性能越好；2）采用更广范围的注意力机制及非局部卷积核能提取越多的特征；3）大多数深度网络具有足够大的感受野；4）相对于深度结构而言，具有规则线条或网格的纹理更易被模型识别和利用。

Nov, 2020

本研究旨在设计一种新的关注区块，其见解来自于 SR 网络的局部归因图解释。我们使用轻量级全局像素访问模块处理全局区域，使用 Intra-Patch 自我关注模块处理局部区域，并使用级联补丁划分策略来提高恢复图像的感知质量。实验结果表明，我们的方法比最先进的轻量级 SR 方法表现更好。

Nov, 2022