提出了首个 Mobile AI 挑战，其目标是开发一种端到端基于深度学习的视频超分辨率解决方案，能够在移动 GPU 上实现实时性能，为此，提供了 REDS 数据集并使用 Snapdragon 865 SoC 加速浮点网络的 Adreno GPU 对所有模型的运行时进行了评估。

May, 2021

该研究提出了第一个在移动设备上实时解码 1080p YUV420 视频的神经视频编解码器，它利用基于块的运动补偿算法实现了高效编解码，并通过在神经信号处理器上同时运行神经网络组件、在移动 GPU 上运行并行熵编码以及在加速器的变换核上实现变换，从而在性能上显著超过之前的设备上编解码器。

Oct, 2023

本研究提出了一种名为 MobiSR 的框架，针对超分辨率任务提供了高效的本地处理解决方案，其采用了模型压缩技术和新颖的调度器，在满足图像质量要求的前提下，实现最小处理延迟，与现有实现相比，可以达到 2.13 倍至 4.79 倍的加速。

Aug, 2019

本研究提出了一种端到端可训练的帧递归视频超分辨率框架，使用先前的高分辨率估计来超分辨率下一个帧，自然鼓励时态一致结果并降低计算成本。

Jan, 2018

介绍了一种高效的视频恢复网络（EVRNet），其能够在实时传输丢失图像数据的情况下，使用对齐、差分和融合模块来还原视频，并与现有方法相比具有更高的性能和更少的参数和 MAC 数。

Dec, 2020

提出了一种实时基于深度学习的 H.264 控制器，利用即时的信道质量数据和视频块动态估计最优的编码器参数，以保持编码视频的比特率略低于可用信道比特率，验证了该方法在视频质量上相较于最先进的自适应比特率视频流媒体有 10-20 dB 的改进，平均数据包丢失率低至 0.002。

Sep, 2023

本文回顾了旨在在智能手机上部署深度学习模型以实现高效视觉图像增强的首次挑战赛，其中包括经典的图像超分辨率问题和实际中的照片增强问题等。经过实验证明，所提出的解决方案显著改善了现有基线结果，定义了智能手机图像增强领域的最新技术水平。

Oct, 2018

本研究提出一种基于情景感知的实时流式传输方案，以实时识别重要事件和降低发射功率。该方案主要利用少量隐藏层的小型神经网络在源端对特定情景下的帧进行高重要性分配，并将高重要性的帧与一定信噪比的低重要性帧同时流式传输，在接收端进行深度神经网络分析提取准确的情景并节约约 38.5% 的能源。

Apr, 2022

本文提出了一种新的方法，通过游戏状态和神经网络技术来恢复云游戏中丢失或损坏的视频帧，以达到更好的游戏体验。

Jul, 2023

本文提出一种针对在全面屏幕手机上拍摄失真的相机图像进行高效的深度学习修复的方法，并给出了在不同方法上的性能和运行时间的比较结果。该模型使用操作次数更少，具有竞争力，并且从效率和生产角度分析了实际单张图像修复问题。

Nov, 2022