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

本文提出了一种新的、基于可逆双射转换的图像下采样和上采样建模方法，使用一种随机生成的潜向量来反向生成指定分布的下采样信息，提高了降采样图像的上采样表现。通过定量和定性的图像重建评估，证明了该方法在图像上采样重建方面相比现有方法有显著的改进。

May, 2020

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

该论文提出了一种轻量级信息多蒸馏网络（IMDN），通过构建包含蒸馏和选择性融合部分的级联信息多蒸馏块（IMDB），并使用自适应裁剪策略（ACS）来处理任何大小的图像，实现任意比例的超分辨率，同时利用中提出的对比度感知通道注意机制来评估候选特征的重要性，并将它们聚合起来。大量实验证明，该方法在视觉质量、内存占用和推理时间方面优于现有技术。

Sep, 2019

本文提出了一种新的残差密集网络（RDN），该网络从卷积层中充分利用层级特征，引入残余密集块（RDB）来提取丰富的局部特征，并允许直接连接，通过局部特征融合，以自适应地学习全局的分层特征。用于单张超分辨率、高斯图像去噪、图像压缩伪影去除和图像去模糊等多个任务，RDN 在基准和实际数据集上均取得了优异的性能。

Dec, 2018

提出了 Boundary-aware Decoupled Flow Networks (BDFlow) 来生成逼真且视觉上令人愉悦的结果，通过将高频信息分解为 “语义高频” 和 “非语义高频” 两部分，并使用 Boundary-aware Mask (BAM) 约束模型生成丰富的纹理，实验证明 BDFlow 在保持较低复杂性的同时，显著优于其他最先进的方法。

May, 2024

本研究提出了一种基于迭代优化的新型迭代超分辨率网络（ISRN）来解决单幅图像超分辨率问题，使用特征归一化和残差结构来提高网络表示性能，并在多项测试基准中展示了其在恢复图像结构信息和图像质量提高方面的卓越表现。

May, 2020

本文提出一种新的残差网络架构 RoR，通过在现有的残差网络中添加层次化的快捷连接实现优化，从而提升其学习能力，进而提高性能，实验结果展示 RoR 在各种残差网络类型中的有效性和通用性，并在多个数据集上达到最佳性能表现。

Aug, 2016

本文提出了用于压缩感知图像重缩放的 SAIN 网络，通过对失去信息（包括缩小和压缩）的分布进行经验分析，使用各向同性高斯混合分布建模，并提出增强的可逆块，以在一个前向传递中导出高质量 / 压缩的 LR 图像。在标准图像压缩格式（JPEG 和 WebP）下的各种图像重缩放数据集中进行的广泛实验表明了 SAIN 的一致改进。

Mar, 2023

本文提出了一种基于特征蒸馏连接（FDC）的轻量级单图像超分辨率模型，即残差特征蒸馏网络（RFDN），它使用多个特征蒸馏连接来学习更具区分性的特征表示，同时提出了浅残差块（SRB）作为 RFDN 的主要构建块，通过大量实验证明，与现有的最先进方法相比，所提出的 RFDN 在性能和模型复杂度方面有更好的折衷效果，并在 AIM 2020 高效超分辨率挑战赛中获得了第一名。

Sep, 2020