本文提出一种名为修正二值卷积网络（RBCNs）的优化二值卷积神经网络的方法，通过结合全精度卷积核和特征图在统一框架内实现二值化过程的校正，并使用生成对抗网络（GAN）以其相应的全精度模型为指导来训练 1 位二进制网络，从而显著提高了 BCNN 的性能。该方法的可塑性强，并可轻松纳入现有的 DCNN 中，如 WideResNets 和 ResNets。大量实验表明，所提出的 RBCNs 比最先进的 BCNNs 具有优越的性能，并在物体跟踪任务中显示了强大的泛化能力。

Aug, 2019

本文中，我们提出了可用于学习视觉模型的有效二进制神经模块。我们将二进制多层感知器（MLP）块作为二进制卷积块的替代方案，通过模型化短程和长程特征依赖关系来解决二进制模型上下文依赖关系的问题。我们构建了显式上下文依赖建模的 BNNs，称为 BCDNet，在标准的 ImageNet 分类基准测试中，BCDNet 实现了 72.3％的 Top-1 准确率，并以类似的操作超越了领先的二进制方法。

Sep, 2022

本文探讨了针对 IR 任务中二进制卷积的组件，如残差连接，批归一化，激活函数和结构以及它们在 BNN 中的作用和缺陷，并设计了基本的二进制卷积单元（BBCU），通过 BBCU 为各个 IR 网络部分设计了变种。实验结果表明 BBCU 能够成为二进制化 IR 网络的基本单元。

Oct, 2022

提出了基因二元卷积神经网络（Genetic Binary Convolutional Networks，GBCN），并利用一种新的平衡遗传算法（balanced Genetic Algorithm，BGA）解决了 1 位深度卷积神经网络（DCNNs）中存在的局部极小值问题，该方法在目标分类任务（CIFAR，ImageNet）上得到了验证，表现出强大的泛化性能。

Nov, 2019

本文提出了一种改进的训练方法来提高具有更高准确性的紧凑型二值化 CNN，其中可训练的权重和激活的比例因子被引入以增加值范围，并通过反向传播与其他参数一起进行训练。通过这些改进，与前人工作相比，本文二值化 CNN 在 CIFAR-10 上的准确度达到 92.3％，在 ImageNet 上，我们的方法用 AlexNet 获得 46.1％的 top-1 准确度，用 Resnet-18 获得 54.2％的 top-1 准确度。

Sep, 2019

本文提出一种新方法，使用 8 位表示的输入数据直接对第一层进行二值化处理，并利用标准位平面编码按位提取特征，经过加权和再次融合后得到全二值化模型，该方法在不同神经网络体系结构下验证，比现有技术在准确性和 BMCA (二值乘法计算数) 减少方面更佳。

May, 2023

本文探讨了网络二值化在单图像超分辨率中的应用，给出了一种只对残差块中的卷积滤波器进行二值化并采用可学习权重的方法，实验表明该方法在保持重构精度的同时能够显著减小模型大小并提供更高的推理速度。

Dec, 2018

提出一种新颖的方法，名为 Bayesian optimized 1-bit CNNs（简称 BONNs），利用贝叶斯优化后的 1-bit CNNs 极大程度地改善了其性能，能够在资源受限的环境中获得最佳分类性能，尤其在 ImageNet 上。

Aug, 2019

最近，深度神经网络在低光原始视频增强方面取得了出色的性能。然而，它们通常具有高计算复杂性和大内存成本，限制了在资源有限设备上的应用。本文探讨了将极其紧凑的二值神经网络（BNN）应用于低光原始视频增强的可行性，并解决了融合时间信息和二值卷积之间的性能差距问题。经过广泛的定量和定性实验，我们的高效二值化低光原始视频增强方法取得了令人满意的性能。

Mar, 2024

利用网络二值化和知识蒸馏机制加快多任务密集预测模型的速度，同时保持甚至提高模型性能。

May, 2024