本文提出了一种简单而有效的无监督深度特征传递算法，用于低分辨率图像分类，无需 fine-tuning。首先，我们使用预先训练的 convenet 提取高分辨率和低分辨率图像的特征，然后将它们馈送到两层特征转移网络以进行知识转移。接着，我们直接使用这些传递的低分辨率特征学习 SVM 分类器。该网络可以作为插件特征增强模块嵌入到最新的深度神经网络中，以保持高分辨率图像特征空间中的数据结构，并将良好结构的源域 (高分辨率特征空间) 的区分特征传递到不良组织的目标域 (低分辨率特征空间) 上。通过对 VOC2007 测试集的大量实验证明，所提出的方法比仅使用特征提取的基线方法实现了显著的性能改善。

Aug, 2019

提出了一种 ResNet-like 的网络结构，结合多尺度上下文信息和像素级精确度，使得在不需要额外处理步骤和预训练的情况下，可以在 Cityscapes 数据集上实现 71.8％ 的交并比得分，以提高自动驾驶系统中的图像分割效果。

Nov, 2016

本文通过使用深度卷积神经网络和超分辨网络，提出了一种新的低分辨率人脸识别模型，并在 FERET 数据集上进行了评估，结果显示，相较于其他替代方法，本方法在特别是针对非常低分辨率的探测人脸图像时取得了显著的识别性能提高，并能在保证视觉质量等方面达到与超分辨率方法相当的低分辨率图像重建效果。

Jun, 2017

本文提出了一种基于全卷积神经网络的自动道路提取方法，利用高分辨率的卫星图像进行交通管理和道路监控，此方法能够自动且精确地提取真正的道路信息，并在 DEEPGLOBE-CVPR 2018 道路提取子挑战中表现出卓越的效果。

Jun, 2018

本研究提出了一种使用选择性知识蒸馏学习低分辨率人脸识别的方法，在损失性能的同时实现更高速度和更低内存消耗，通过优化图问题，选择性地从一个复杂的面部模型中提取最具信息量的面部特征来让一个简单的卷积神经网络完成相应识别任务。

Nov, 2018

通过利用低级特征代替高级特征，本研究提出了一种低级特征主导的道路分割模型（LFD-RoadSeg），采用双边结构，并结合选择性融合模块来实现道路的实时准确分割，模型在 KITTI-Road 数据集上获得了最大 F1-measure（95.21%）和平均精度（93.71%），在单个 TITAN Xp 上实现 238 FPS，在 Jetson TX2 上实现 54 FPS，模型参数仅为 936k。

Feb, 2024

本研究通过跨分辨率知识蒸馏方法（ResKD）来解决在低分辨率视频帧上识别准确度低的问题，该方法证明了在提高效率和精度方面的有效性，并可扩展到极低分辨率帧。

Sep, 2022

应对高分辨率图像处理中的计算挑战，提出了一种利用内存高效的基于块处理的框架，通过全局上下文表示和局部块信息实现对图像内容的全面理解，并在不受内存限制的情况下对超高分辨率图像进行训练，在分类、目标检测和分割等七个基准测试中取得了卓越性能，甚至在像 Jetson Nano 这样的资源受限设备上也能表现出色。

May, 2024

本研究探讨图像超分辨率如何在低分辨率图像目标检测任务中发挥积极作用，提出了一种新的框架来训练深度神经网络，通过传统检测 loss 与显式结合得到的检测 Loss 来优化超分辨率子网络，证明了任务驱动的超分辨率能显著提高各种条件和缩放因子下目标检测器在低分辨率图像上的准确性。

Mar, 2018

为解决深度人脸检测在低分辨率人脸检测中的性能问题，本文提出了一种新的高效检测器 EfficientSRFace，引入了特征级超分辨率重建网络，并在公共数据集 FDDB 和 WIDER Face 上取得了与现有算法相当的检测性能结果。

Jun, 2023