Residual Feature Distillation Network for Lightweight Image Super-Resolution
Nanjing University（南京大学）
单图像超分辨率（SISR）的最新进展探索了卷积神经网络（CNN）的能力，以实现更好的性能。尽管基于CNN的方法取得了巨大的成功，但由于计算量大，将这些方法应用于边缘设备并不容易。为了解决这个问题，已经提出了各种快速和轻量级的CNN模型。信息提取网络是一种基于通道分裂操作的提取特征的方法。然而，这是不够清楚的操作如何帮助设计有效的SISR模型。在本文中，我们提出了特征蒸馏连接（FDC），它在功能上等同于通道分裂操作，同时更轻量级和灵活。由于FDC，我们可以重新思考信息多蒸馏网络（IMDN），并提出了一个轻量级的和准确的SISR模型称为剩余特征蒸馏网络（RFDN）。RFDN使用多个特征提取连接来学习更多有区别的特征表示。我们还提出了一个浅残差块（SRB）作为RFDN的主要构建块，以便网络可以从残差学习中受益最多，同时仍然足够轻量级。大量的实验结果表明，所提出的RFDN实现了一个更好的权衡对国家的最先进的方法在性能和模型的复杂性。此外，我们提出了一种增强的RFDN（E-RFDN），并在AIM 2020高效超分辨率挑战赛中获得第一名。代码将在https://github.com/njulj/RFDN上提供。
2020-09-24 cs.CV eess.IV
Hybrid Pixel-Unshuffled Network for Lightweight Image Super-Resolution
Northeastern University（东北大学）；AInnovation Labs Inc.（AInnovation实验室公司）
卷积神经网络（CNN）在图像超分辨率方面取得了巨大的成功。然而，大多数基于CNN的深度SR模型需要大量计算才能获得高性能。降采样特征用于多分辨率融合是提高视觉识别性能的一种有效途径。尽管如此，在SR任务中这是违反直觉的，它需要将低分辨率输入投影到高分辨率。在本文中，我们提出了一种新的混合像素重组网络（HPUN）通过引入一个高效和有效的下采样模块到SR任务。该网络包含像素未混洗下采样和自残差相关可分离卷积。具体来说，我们利用像素unshuffle操作来下采样输入特征，并使用分组卷积来减少通道。此外，我们通过将输入特征添加到深度卷积的输出中来增强深度卷积的性能。基准数据集上的实验表明，我们的HPUN达到并超越了最先进的重建性能与更少的参数和计算成本。
2022-11-29 cs.CV eess.IV
Single Image Super-Resolution Using Lightweight Networks Based on Swin Transformer
University Of Electronic Science And Technology Of China（电子科技大学）
图像超分辨率重建是图像处理技术领域的一个重要课题，它可以将低分辨率图像恢复为高分辨率的高质量图像。近年来，深度学习在图像超分辨率重建领域得到了应用。随着深度神经网络的不断发展，重建图像的质量有了很大的提高，但模型的复杂度也随之增加。在Swin Transformer的基础上，提出了两个轻量级的模型MSwinSR和UGSwinSR。MSwinSR中最重要的结构被称为多尺寸Swin Transformer块（MSTB），其主要包含四个并行的多头自注意（MSA）块。UGSwinSR将U-Net和GAN与Swin Transformer结合在一起。这两种方法都可以降低模型的复杂度，但MSwinSR可以达到更高的客观质量，而UGSwinSR可以达到更高的感知质量。实验结果表明，与SwinIR模型相比，MSwinSR模型通过$\mathbf{0.07dB}$提高了峰值信噪比，同时通过$\mathbf{30.68\%}$减少了参数个数，并通过$\mathbf{9.936\%}$降低了计算量。UGSwinSR可以有效地减少网络的计算量，与SwinIR相比可以减少$\mathbf{90.92\%}$。
2022-10-20 cs.CV eess.IV
AsConvSR: Fast and Lightweight Super-Resolution Network with Assembled Convolutions
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；HiSilicon (Shanghai) Technologies Co., Ltd（海思半导体（上海）科技有限公司）
针对高分辨率图像带宽受限及超分网络实时性难题，提出基于组合卷积的快速轻量超分网络AsConvSR，性能优于现有高效超分模型，获NTIRE 2023实时超分赛道1冠军。
2023-05-05 cs.CV eess.IV
$L^2$FMamba: Lightweight Light Field Image Super-Resolution with State Space Model
School of Artificial Intelligence, Beijing University of Posts and Telecommunications（北京邮电大学人工智能学院）；Bigo Technology Pte. Ltd.（Bigo科技私人有限公司）；Explorer Global (Suzhou) Artificial Intelligence Technology Co., Ltd.（探索全球（苏州）人工智能科技有限公司）
针对Transformer在光场图像超分辨率中计算复杂度过高的问题，提出基于状态空间模型的轻量级网络$L^2$FMamba，通过渐进式特征提取模块高效捕获空间-角度依赖，在降低参数和复杂度的同时实现更优性能与更快推理。
2025-03-25 cs.CV eess.IV
A super-resolution reconstruction method for lightweight building images based on an expanding feature modulation network
本研究提出基于DCFMN的轻量化建筑图像超分辨率重建方法，通过集成扩展可分离调制单元和局部特征增强模块，在不增加计算成本下有效建模长距离依赖，显著提升重建质量与轻量化效率。
2025-05-12 cs.CV
Infrared Image Super-Resolution via Lightweight Information Split Network
School of Computer Science and Technology, Hangzhou Dianzi University（杭州电子科技大学计算机科学与技术学院）；Shenzhen Research Institute of Big Data（深圳大数据研究院）；ETH Zurich（苏黎世联邦理工学院）；School of Information and Electronic Engineering, Zhejiang University of Science and Technology（浙江科技学院信息与电子工程学院）；Whiting School of Engineering, Johns Hopkins University（约翰斯·霍普金斯大学怀廷工程学院）
针对红外图像超分辨率中计算与存储受限的问题，提出轻量级信息拆分网络（LISN），通过轻量级信息拆分块（LISB）实现高效特征提取，在SR质量与模型复杂度上优于现有方法。
2024-05-27 cs.CV eess.IV
A Dynamic Residual Self-Attention Network for Lightweight Single Image Super-Resolution
Seoul National University（首尔大学）
深度学习方法在许多应用中表现出出色的性能，包括单图像超分辨率（SISR）。通过残差连接架构，深度堆叠的卷积神经网络为SISR提供了实质性的性能提升，但其巨大的参数和计算负载对于现实世界的应用来说是不切实际的。因此，设计具有可接受性能的轻量级模型是当前SISR研究的主要任务之一。轻量级网络设计的目标是平衡计算负载和重建性能。以往的方法大多是人工设计复杂的预定义固定结构，一般需要大量的实验，且在输入图像统计的多样性上缺乏灵活性。在本文中，我们提出了一个动态的残余自注意力网络（DRSAN）的轻量级SISR，同时专注于自动化设计的剩余连接的积木。DRSAN具有基于动态剩余注意力的动态剩余连接，根据输入统计自适应地改变其结构。具体来说，我们提出了一个动态残差模块，通过寻找残差路径和输入图像统计之间的相互关系，以及为每个残差路径分配适当的权重来显式地建模，我们还提出了一个残差自注意（RSA）模块，通过与残差结构合作，产生三维注意图，而无需额外的参数，以进一步提高性能。建议的动态计划，利用组合的RSA和RSA，计算复杂性和网络性能之间的有效权衡。实验结果表明，DRSAN的性能优于或相当于现有的国家的最先进的轻量级模型SISR。
2021-12-08 cs.CV eess.IV
Lightweight Interpretable RGB-Guided Hyperspectral Super-Resolution under Real Cross-resolution Misalignment
Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS Grenoble INP（法国国家科学研究中心格勒诺布尔国立理工学院）；GIPSA-Lab（格勒诺布尔图像、信号、声学与自动化实验室）；Institut Universitaire de France (IUF)（法国大学研究院）
本文针对真实跨分辨率失配问题，提出一种轻量可解释的RGB引导高光谱超分辨率框架，结合跨模态流对齐与Gram-Schmidt正交化融合，在提升重建精度的同时加快了速度，支持多光谱与尺度因子且无需重训。
2026-09-02 cs.CV eess.IV
Fast, Accurate, and Lightweight Super-Resolution with Cascading Residual Network
Ajou University（亚洲大学）
近年来，深度学习方法已成功应用于单张图像的超分辨率任务。尽管深度学习方法具有很好的性能，但由于需要大量的计算，因此无法轻松应用于现实世界的应用。在本文中，我们通过提出一个精确且轻量级的深度网络来解决这个问题，用于图像超分辨率。详细地说，我们设计了一个架构，实现了一个级联机制上的残留网络。我们还提出了所提出的级联残差网络的变体模型，以进一步提高效率。我们广泛的实验表明，即使使用更少的参数和操作，我们的模型也能达到与最先进的方法相当的性能。
2018-10-04 cs.CV
LGFN: Lightweight Light Field Image Super-Resolution using Local Convolution Modulation and Global Attention Feature Extraction
Fujian Normal University（福建师范大学）
本文提出轻量级光场图像超分辨率模型LGFN，通过局部卷积调制模块和高效空间与通道注意力模块提取局部与全局特征，在仅0.45M参数下取得竞争力效果并于NTIRE2024挑战赛获奖。
2024-09-26 cs.CV eess.IV
VolumeNet: A Lightweight Parallel Network for Super-Resolution of Medical Volumetric Data
Ritsumeikan University（立命馆大学）；Zhejiang University（浙江大学）；Dalian university of technology（大连理工大学）；Zhejiang Lab（之江实验室）
基于深度学习的超分辨率（SR）技术在计算机视觉领域普遍取得了优异的性能。最近，已经证明，用于医学体积数据的三维（3D）SR提供比常规二维（2D）处理更好的视觉结果。然而，由于大量的参数和少量的训练样本，加深和加宽3D网络显著增加了训练难度。因此，我们提出了一个3D卷积神经网络（CNN）的SR的医疗体积数据称为并行连接的神经网络。我们构建了一个基于组卷积和特征聚合的并行连接结构，以构建一个3D CNN，这是尽可能广泛的，很少的参数。因此，该模型彻底学习了更多的特征图，具有更大的感受野。此外，为了进一步提高准确性，我们提出了一个高效版本的MPENELNET（称为VolumeNet），它减少了参数的数量，并使用一个称为队列模块的轻量级构建块模块来深化MPENELNET。与大多数基于深度卷积的轻量级CNN不同，队列模块主要使用可分离的2D交叉通道卷积来构建。因此，由于全信道融合，网络参数的数量和计算复杂度可以显着减少，同时保持精度。实验结果表明，所提出的VolumeNet显着减少了模型参数的数量，并实现了高精度的结果相比，国家的最先进的方法。
2020-10-24 cs.CV eess.IV
Sebica: Lightweight Spatial and Efficient Bidirectional Channel Attention Super Resolution Network
本文提出轻量级超分网络 Sebica，通过空间与高效双向通道注意力以极低参数量和计算量保持高质量重建，并提升交通视频目标检测性能。
2024-10-27 cs.CV eess.IV
Feature Distillation Interaction Weighting Network for Lightweight Image Super-Resolution
Nanjing University of Posts and Telecommunications（南京邮电大学）；The Chinese University of Hong Kong（香港中文大学）；Kyushu Institute of Technology（九州工业大学）；National Institute of Informatics（国立信息学研究所）
基于卷积神经网络的单图像超分辨率（SISR）技术近年来取得了很大的进展。然而，由于计算和存储成本，很难将这些方法应用于现实世界的场景。同时，如何在有限的参数和计算量的约束下充分利用中间特性也是一个巨大的挑战。为了缓解这些问题，我们提出了一个轻量级而高效的特征蒸馏交互加权网络（FDIWN）。具体地说，FDIWN利用一系列专门设计的特征洗牌加权组（FSWG）作为骨干，和几个新的相互宽残差蒸馏相互作用块（WDIB）形成一个FSWG。此外，为了更好地提取特征，WDIB中引入了宽同残差加权（WIRW）单元和宽卷积残差加权（WCRW）单元。此外，本文还提出了一个Wide-Residual Distillation Connection（WRDC）框架和一个Self-Calibration Fusion（SCF）单元，以更灵活、更有效地实现不同尺度特征的交互。大量实验表明，FDIWN在模型性能和效率之间取得了较好的平衡。该代码可在https://github.com/IVIPLab/FDIWN上获得。
2022-04-12 cs.CV eess.IV
Multi-Attention Based Ultra Lightweight Image Super-Resolution
Kyung Hee University（庆熙大学）；Sangmyung University（祥明大学）
轻量级图像超分辨率（SR）网络对于现实世界的应用具有极其重要的意义。基于深度学习的超分辨率方法有很多，但它们的内存和计算开销是实际应用的障碍。为了解决这个问题，我们提出了一种多注意特征融合超分辨率网络（MAFFSRN）。MAFFSRN由建议的特征融合组（FFG），作为一个特征提取块。每个FFG包含一个堆栈的建议多注意力块（MAB），结合在一个新的功能融合结构。此外，具有成本效益的注意力机制（CEA）的MAB帮助我们使用多种注意力机制来细化和提取特征。综合实验表明，我们的模型优于现有的最先进的。我们参加了AIM 2020高效SR挑战与我们的MAFFSRN模型，并赢得了第一，第三和第四名的内存使用，浮点运算（FLOPs）和参数的数量，分别。
2020-09-21 cs.CV cs.LG eess.IV
Sub-Pixel Back-Projection Network For Lightweight Single Image Super-Resolution
Trinity College Dublin（都柏林圣三一学院）；Rawky Tech LLP
基于卷积神经网络（CNN）的方法在单图像超分辨率（SISR）方面取得了巨大的成功。然而，大多数模型试图提高重建精度，同时增加模型参数的数量的要求。为了解决这个问题，在本文中，我们研究减少基于CNN的SISR方法的参数数量和计算成本，同时保持超分辨率重建性能的准确性。为此，我们引入了一种新的网络架构SISR，它罢工重建质量和低计算复杂度之间的良好权衡。具体来说，我们提出了一种迭代反投影架构，使用子像素卷积，而不是反卷积层。我们评估我们提出的模型与广泛的定量和定性评价的计算和重建精度的性能。实验结果表明，我们提出的方法使用更少的参数，降低了计算成本，同时保持重建精度对国家的最先进的SISR方法在著名的四个SR基准数据集。代码可在“https://github.com/supratikbanerjee/SubPixel-BackProjection_SuperResolution“上获得。
2020-08-03 cs.CV eess.IV
Efficient Star Distillation Attention Network for Lightweight Image Super-Resolution
College of Artificial Intelligence, Nankai University（人工智能学院，南开大学）；Department of Computing, Hong Kong Polytechnic University（计算学院，香港理工大学）
针对轻量级单图像超分辨率中现有信息蒸馏和大核注意力的缺陷，提出星蒸馏模块与多形状多尺度大核注意力，构建高效星蒸馏注意力网络，在低复杂度下实现更优超分性能。
2025-06-14 cs.CV eess.IV
Lightweight Image Super-Resolution with Adaptive Weighted Learning Network
Shanghai University（上海大学）
近年来，深度学习已成功应用于单图像超分辨率（SISR）任务，并取得了很好的效果。然而，大多数基于卷积神经网络的SR模型需要大量的计算，这限制了它们的实际应用。在这项工作中，一个轻量级的SR网络，自适应加权超分辨率网络（AWSRN），提出了SISR解决这个问题。在AWSRN中设计了一种新的局部融合块（LFB），它由堆叠的自适应加权残差单元（AWRU）和局部残差融合单元（LRFU）组成。此外，提出了一种自适应加权多尺度（AWMS）模块，以充分利用重建层的特征。AWMS由多个不同尺度的卷积组成，根据AWMS中自适应权值的贡献去除冗余尺度分支，实现轻量级网络。在常用数据集上的实验结果表明，该轻量级AWSRN在x2、x3、x4和x8比例因子上的性能优于具有相似参数和计算开销的现有方法.代码可在：www.example.com
2019-04-04 cs.CV
EchoSR: Efficient Context Harnessing for Lightweight Image Super-Resolution
College of Computer Science and Artificial Intelligence, Wenzhou University, Wenzhou 325000, China（温州大学计算机科学与人工智能学院）；vivo BlueImage Lab, vivo Mobile Communication Co., Ltd, Shanghai 200100, China（vivo蓝影实验室，vivo移动通信有限公司，上海200100，中国）；College of Engineering and Computer Science, Australian National University, Canberra, Australia（工程与计算机科学学院，澳大利亚国立大学，堪培拉，澳大利亚）；The AI/Analytics Team, Nasdaq, St. John’s, Canada（AI/分析团队，纳斯达克，圣约翰，加拿大）
本文提出EchoSR框架，通过统一多尺度感受野建模和层次化上下文融合，提升了轻量图像超分辨率的效率和效果，同时在多个基准上优于现有方法，并实现了约两倍的速度提升。
2026-05-19 cs.CV cs.MM eess.IV
Lightweight super resolution network for point cloud geometry compression
Peng Cheng Laboratory（鹏城实验室）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Peking University Shenzhen Graduate School（北京大学深圳研究生院）
本文提出将点云分解为基础点云与插值模式，并以轻量级超分辨率网络过拟合学习插值信息、传输网络参数，在 MPEG Cat1/Cat2 上实现更优点云几何压缩。
2023-11-02 cs.CV cs.MM eess.IV
Involution and BSConv Multi-Depth Distillation Network for Lightweight Image Super-Resolution
Cyberspace Research Institute, Shahid Beheshti University（沙希德·贝赫什提大学网络空间研究院）
本文提出IBMDN轻量级超分辨率网络，结合Involution与BSConv多深度蒸馏块及对比高频注意力，在降低内存、参数和FLOPs的同时提升重建精度与视觉质量。
2025-09-09 cs.AI cs.CV eess.IV
CubeFormer: A Simple yet Effective Baseline for Lightweight Image Super-Resolution
University of Macau（澳门大学）
本文针对轻量级图像超分辨率中特征多样性不足的问题，提出CubeFormer基线，通过立方体注意力及Intra/Inter-CTB实现局部与全局建模，并在常用基准上达到SOTA。
2024-12-03 cs.CV
DIPNet: Efficiency Distillation and Iterative Pruning for Image Super-Resolution
Megvii Technology（旷视科技）；Microbt（比特微）；University of Electronic Science and Technology of China（电子科技大学）
本文提出DIPNet，通过高分辨率输出监督、重参数化、迭代剪枝以及多锚点蒸馏与渐进式学习训练策略，在NTIRE 2023高效超分辨率挑战中实现最快推理速度，并在DIV2K上取得可比性能。
2023-04-14 cs.CV cs.LG eess.IV
Sewer Image Super-Resolution with Depth Priors and Its Lightweight Network
Tianjin University（天津大学）；Hefei University of Technology（合肥工业大学）；Tianjin Municipal Engineering Design and Research Institute（天津市市政工程设计研究院）；PipeChina（中国管输）；Tianjin University of Science and Technology（天津科技大学）；University of California, Irvine（加州大学欧文分校）
针对下水道QV图像远距离部分质量差的问题，提出深度引导的参考超分辨率框架DSRNet，利用深度先验和注意力蒸馏轻量化模型，显著提升PSNR/SSIM及下游任务性能。
2025-02-25 cs.CV eess.IV
Lightweight Image Super-Resolution with Information Multi-distillation Network
Xidian University（西安电子科技大学）
近年来，基于深度卷积神经网络（CNN）的单图像超分辨率（SISR）方法取得了令人瞩目的成果。由于深度网络强大的表示能力，许多以前的方法可以学习低分辨率（LR）图像块与其高分辨率（HR）版本之间的复杂非线性映射。然而，过多的卷积将限制超分辨率技术在低计算能力设备中的应用。此外，任意尺度因子的超分辨率是实际应用中的一个关键问题，在以前的方法中没有很好地解决。为了解决这些问题，我们提出了一个轻量级的信息多蒸馏网络（IMDN），通过构建级联的信息多蒸馏块（IMDB），其中包含蒸馏和选择性融合部分。具体而言，提取模块提取层次特征，融合模块根据候选特征的重要性进行聚合，并通过提出的对比度感知通道注意机制进行评估。为了处理任何尺寸的真实图像，我们开发了一种自适应裁剪策略（ACS），使用相同的训练良好的模型来超分辨率块图像补丁。大量的实验表明，所提出的方法对国家的最先进的SR算法的视觉质量，内存占用量和推理时间方面表现良好。代码可在\url{https://github.com/Zheng222/IMDN}上获得。
2019-09-26 cs.CV cs.MM eess.IV
Lightweight and Efficient Image Super-Resolution with Block State-based Recursive Network
Yonsei University（延世大学）
最近，已经通过堆叠大量层开发了几种基于深度学习的图像超分辨率方法。然而，这导致模型尺寸太大且计算复杂性高，因此也提出了一些递归参数共享方法。然而，它们的设计没有适当地利用递归操作的潜力。在本文中，我们提出了一种新的，轻量级的，高效的超分辨率方法，最大限度地提高递归架构的有用性，通过引入块状态递归网络。通过利用块状态，我们的模型的递归部分可以很容易地跟踪当前图像特征的状态。我们展示了所提出的方法在模型大小，速度和效率方面的好处。此外，我们表明，我们的方法优于其他国家的最先进的方法。
2018-11-30 cs.CV
Lightweight image super-resolution with enhanced CNN
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Shenzhen Key Laboratory of Visual Object Detection and Recognition（深圳市视觉目标检测与识别重点实验室）；Peng Cheng Laboratory（鹏城实验室）；Harbin Institute of Technology（哈尔滨工业大学）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）；National Tsing Hua University（台湾清华大学）
具有强大表达能力的深度卷积神经网络（CNN）在单图像超分辨率（SISR）上取得了令人印象深刻的性能。然而，它们的大量卷积和参数通常消耗高的计算成本和更多的内存存储来训练SR模型，这限制了它们在现实世界中资源受限设备的SR的应用。为了解决这些问题，我们提出了一个轻量级的增强SR CNN（LESR CNN）与三个连续的子块，信息提取和增强块（IEEB），重建块（RB）和信息细化块（IRB）。具体地说，IEEB提取分层低分辨率（LR）的功能和聚合所获得的功能逐步增加的记忆能力的浅层深层SISR。为了去除冗余信息，IEEB采用了异构体系结构。在此基础上，RB通过融合全局和局部特征，将低频特征转化为高频特征，与IEEB在解决长期依赖问题上形成互补。最后，IRB使用来自RB的粗略高频特征来学习更准确的SR特征并构建SR图像。所提出的LESRCNN可以通过不同尺度的模型获得高质量的图像。大量的实验表明，所提出的LESRCNN优于国家的最先进的SISR在定性和定量评价。LESRCNN的代码可以在https://github.com/hellloxiaotian/LESRCNN上访问。
2020-07-21 cs.CV eess.IV
Adaptive Importance Learning for Improving Lightweight Image Super-resolution Network
The University of Adelaide（阿德莱德大学）；Northwestern Polytechnical University（西北工业大学）
深度神经网络在单图像超分辨率（SISR）方面取得了显著的成功。然而，这些方法的计算和存储器要求阻碍了它们应用于具有有限计算能力的广泛类别的真实设备。解决这个问题的一种方法是平衡超分辨率性能和计算负担的轻量级网络架构。在这项研究中，我们重新审视这个问题，从正交的角度来看，并提出了一种新的学习策略，最大化的像素明智的拟合能力，一个给定的轻量级网络架构。考虑到轻量级网络的初始容量非常有限，我们提出了一个自适应的重要性学习计划SISR，训练网络的一个容易复杂的范例，动态更新的基础上的训练损失的图像像素的重要性。具体来说，我们将网络训练和重要性学习归结为一个联合优化问题。通过精心设计的重要性惩罚函数，可以通过求解凸优化问题来逐渐增加单个像素的重要性。因此，训练过程从易于重建的像素开始，并随着拟合的改善逐渐进行到更复杂的像素。
2018-06-05 cs.CV
Large coordinate kernel attention network for lightweight image super-resolution
the College of Artificial Intelligence, Nankai University（南开大学人工智能学院）；Ocean Engineering Research Center, Nankai University（南开大学海洋工程研究中心）
本文针对轻量级图像超分辨率中多尺度建模效率低和大核注意力复杂度高的问题，提出MBSConv高效构建块与LCKA大坐标核注意力模块，并整合为LCAN网络，在降低计算和内存开销的同时显著提升重建性能。
2024-08-30 cs.CV eess.IV
A Lightweight Image Super-Resolution Transformer Trained on Low-Resolution Images Only
Technische Universität Braunschweig（布伦瑞克工业大学）
本文首次提出利用轻量级视觉Transformer结合仅低分辨率训练方法解决无监督SISR问题，提出MSTbic多尺度训练方法，在多个基准上超越现有基于CNN的仅LR方法。
2025-03-30 cs.CV cs.LG eess.IV
A High-Frequency Focused Network for Lightweight Single Image Super-Resolution
Nanjing Normal University（南京师范大学）；University of Leicester（莱斯特大学）
用于单图像超分辨率（SISR）任务的轻量级神经网络近年来取得了实质性突破。与低频信息相比，高频细节的重建要困难得多。大多数SISR模型为低频和高频信息分配相等的计算资源，这导致简单低频信息的冗余处理和更具挑战性的高频信息的恢复不足。我们提出了一种新的高频聚焦网络（HFFN）通过高频聚焦块（HFFB），选择性地增强高频信息，同时最大限度地减少低频信息的冗余特征计算。HFFB有效地将更多的计算资源分配给高频信息的更具挑战性的重建。此外，我们提出了一个局部特征融合块（LFFB）有效地融合功能，从多个HFFB在局部区域，利用跨层的互补信息，以提高特征的代表性，减少重建图像中的文物。我们在五个基准数据集上评估了我们提出的HFFN的有效性，并表明它显着提高了网络的超分辨率性能。我们的实验结果表明，国家的最先进的性能，在重建高频信息，同时使用少量的参数。
2023-03-21 cs.CV cs.LG eess.IV
Extremely Lightweight Quantization Robust Real-Time Single-Image Super Resolution for Mobile Devices
Aselsan Research（阿瑟尔桑研究院）
单图像超分辨率（SISR）是一个经典的计算机视觉问题，已经被研究了几十年。随着最近深度学习方法的成功，最近关于SISR的工作集中在使用深度学习方法的解决方案上，并取得了最先进的结果。然而，大多数最先进的SISR方法包含数以百万计的参数和层，这限制了它们的实际应用。在本文中，我们提出了一个硬件（Synaptics海豚NPU）的限制意识，非常轻量级的量化鲁棒实时的【形】超分辨率网络（XLSR）。所提出的模型的构建块的灵感来自根模块的图像分类。我们成功地将根模块应用于SISR问题，进一步地，为了使模型uint8量化鲁棒，我们在网络的最后一层使用了Clipped ReLU，并在重建质量和运行时间之间实现了很好的平衡。此外，尽管所提出的网络包含的参数比VDSR少30倍，但其性能在Div2K验证集上超过了VDSR。该网络通过赢得移动AI 2021实时的【形】单图像超分辨率挑战赛证明了自己。
2021-05-21 cs.AI cs.CV cs.LG
s-LWSR: Super Lightweight Super-Resolution Network
University of Chinese Academy of Sciences（中国科学院大学）；Chinese Academy of Sciences（中国科学院）；University of International Business and Economics（对外经济贸易大学）；Texas A&M University（得克萨斯农工大学）；University of Nebraska（内布拉斯加大学）
针对深度学习超分辨率模型参数量大、难以在移动设备部署的问题，本文提出超轻量级网络s-LWSR，通过信息池融合多层特征、压缩模块控参、移除部分激活层保信息，在有限参数和运算下实现了与主流笨重模型相近的性能。
2019-09-24 cs.CV eess.IV
Incorporating Transformer Designs into Convolutions for Lightweight Image Super-Resolution
Harbin Institute of Technology（哈尔滨工业大学）
近年来，大卷积核的使用在设计卷积神经网络中变得流行，因为它们能够捕获长程依赖性并提供大的感受野。然而，核大小的增加也导致参数数量的二次增长，从而导致繁重的计算和内存需求。为了解决这一挑战，我们提出了一个邻域注意（NA）模块，升级标准卷积与自我注意力机制。NA模块有效地提取滑动窗口模式中的长程依赖关系，从而实现与大型卷积核相似的性能，但参数更少。基于NA模块，我们提出了一个轻量级的单图像超分辨率（SISR）网络TCSR。此外，我们在TCSR中引入了一个增强的前馈网络来提高SISR的性能。该算法采用无参数的空间移位操作来实现有效的特征聚合。我们广泛的实验和消融研究表明，TCSR优于现有的轻量级SISR方法，并实现了最先进的性能。我们的代码可在\url{https://github.com/Aitical/TCSR}上获得。
2023-03-25 cs.CV
Lightweight Stepless Super-Resolution of Remote Sensing Images via Saliency-Aware Dynamic Routing Strategy
Beijing Normal University（北京师范大学）
基于深度学习的算法极大地提高了遥感图像（RSI）超分辨率（SR）的性能。然而，不断增加的网络深度和参数会造成巨大的计算和存储负担。直接减少现有模型的深度或宽度会导致性能大幅下降。我们观察到，RSI中不同区域的SR难度差异很大，现有方法使用相同的深度网络来处理图像中的所有区域，导致计算资源的浪费。此外，现有的SR方法一般都是整数比例因子，不能进行无级SR，即，单个模型可以处理任何潜在的比例因子。在每个比例因子上重新训练模型会浪费相当多的计算资源和模型存储空间。为了解决上述问题，我们提出了一个显着性感知的动态路由网络（SalDRN）的轻量级和无级SR的RSIs。首先，我们引入视觉显著性作为区域级SR难度的指标，并将轻量级显著性检测器集成到SalDRN中以捕获像素级视觉特征。然后，我们设计了一个显著性感知的动态路由策略，采用路径选择开关，自适应地选择合适的深度的特征提取路径，根据SR的子图像补丁的难度。最后，我们提出了一种新的轻量级无级上采样模块，其核心是一个隐式特征函数，实现从低分辨率特征空间到高分辨率特征空间的映射。综合实验结果表明，SalDRN能够在性能和复杂度之间取得较好的平衡。代码可在\url{https://github.com/hanlinwu/SalDRN}上获得。
2022-10-14 cs.CV
LightBSR: Towards Lightweight Blind Super-Resolution via Discriminative Implicit Degradation Representation Learning
State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，中国科学院自动化研究所）；North China Electric Power University（华北电力大学）；Beijing Jiaotong University（北京交通大学）；YunQue AGI, Hangzhou, China（云阙AGI，杭州，中国）
针对盲超分辨率中模型过度复杂化的问题，本文提出轻量级模型LightBSR，通过基于知识蒸馏的退化先验约束对比学习优化隐式退化表示的判别性，以极低复杂度实现卓越性能。
2025-06-28 cs.CV eess.IV
Pure-Pass: Fine-Grained, Adaptive Masking for Dynamic Token-Mixing Routing in Lightweight Image Super-Resolution
State Key Laboratory for Novel Software Technology（新型软件技术国家重点实验室）
本文提出Pure-Pass（PP）像素级掩码机制，通过固定颜色中心点分类纯净像素并免除其计算开销，解决了轻量级图像超分辨率中掩码粒度粗和空间灵活性不足的问题，在最小开销下提升了SR性能。
2025-10-11 cs.CV
FreeTransformSR: Efficient Lightweight Image Super-Resolution via Free Low-Rank Learnable Transform
Chinese Academy of Sciences Changchun Institute of Optics Fine Mechanics and Physics（中国科学院长春光学精密机械与物理研究所）；University of the Chinese Academy of Sciences（中国科学院大学）
提出基于自由低秩可学习变换的轻量级超分辨率网络FreeTransformSR，通过自适应特征调制与动态融合，以595K参数在多个基准上取得竞争性能。
2026-11-03 cs.CV
Self-Calibrated Efficient Transformer for Lightweight Super-Resolution
Fujian Normal University（福建师范大学）；Jimei University（集美大学）；Fuzhou University（福州大学）；China Design Group Co Ltd（中设设计集团股份有限公司）
最近，深度学习已经成功地应用于单图像超分辨率（SISR），并取得了显著的效果。然而，大多数现有的方法都集中在构建具有大量层的更复杂的网络，这可能需要大量的计算成本和内存存储。为了解决这个问题，我们提出了一个轻量级的自校准高效Transformer（SCET）网络来解决这个问题。SCET的体系结构主要由自校准模块和高效的Transformer模块组成，自校准模块采用像素注意力机制有效地提取图像特征。为了进一步利用来自特征的上下文信息，我们采用高效的Transformer来帮助网络在长距离上获得相似的特征，从而恢复足够的纹理细节。我们提供了整个网络不同设置的综合结果。我们提出的方法实现了更显着的性能比基线方法。源代码和预训练模型可在https://github.com/AlexZou14/SCET上获得。
2022-04-19 cs.CV
A Lightweight Recurrent Grouping Attention Network for Video Super-Resolution
Communication University of China（中国传媒大学）
针对视频超分辨率模型参数量大、设备负担重的问题，提出轻量级循环分组注意力网络，通过双向特征提取、分组机制、注意力补充与特征重建，以0.878M参数在多个数据集上达到SOTA性能。
2023-09-25 cs.CV
First-order State Space Model for Lightweight Image Super-resolution
School of Computer Science and Technology, East China Normal University（东华大学计算机科学与技术学院）；IT Department, Guotai Junan Security（国泰君安证券信息技术部）
本文提出一阶状态空间模型（FSSM），在不增加参数的情况下改进Mamba模块，通过引入令牌相关性提升轻量级图像超分辨率性能，在五个基准数据集上达到最先进水平。
2025-10-17 cs.CV
Lightweight Bimodal Network for Single-Image Super-Resolution via Symmetric CNN and Recursive Transformer
Nanjing University of Posts and Telecommunications（南京邮电大学）；The Chinese University of Hong Kong（香港中文大学）；National Institute of Informatics（国立信息学研究所）
随着深度学习的发展，单图像超分辨率（SISR）取得了重大突破。然而，这些方法很难应用于现实世界的场景，因为它们不可避免地伴随着复杂的操作所引起的计算和存储成本的问题。为了解决这个问题，我们提出了一个轻量级双峰网络（LBNet）的SISR。具体而言，设计了一种有效的对称CNN用于局部特征提取和粗图像重建。同时，我们提出了一个递归的Transformer，充分学习图像的长期依赖性，从而可以充分利用全局信息来进一步细化纹理细节。研究表明，CNN和Transformer的混合可以构建更高效的模型。大量的实验证明，我们的LBNet实现了更突出的性能比其他国家的最先进的方法，具有相对较低的计算成本和内存消耗。该代码可在www.example.com上获得。
2022-04-28 cs.CV
GRFormer: Grouped Residual Self-Attention for Lightweight Single Image Super-Resolution
Tsinghua University（清华大学）；Swinburne University of Technology（斯威本科技大学）；National University of Singapore（新加坡国立大学）；University of International Business and Economics（对外经济贸易大学）
针对Transformer类单图像超分辨率模型降参减算易致性能下降的问题，提出GRFormer，通过分组残差自注意力的两个创新组件，在大幅降低参数与计算量的同时实现了性能超越现有SOTA的效果。
2024-08-14 cs.CV eess.IV
Multi-Level Feature Fusion Network for Lightweight Stereo Image Super-Resolution
Fuzhou University（福州大学）；South China University of Technology（华南理工大学）；Chengdu University of Information Technology（成都信息工程大学）
针对立体图像超分辨率中级联模块导致参数多、冗余高的问题，提出轻量级MFFSSR，通过HAFEB与通道分离实现多级特征及跨视角信息高效融合，以更少参数取得优越性能。
2024-05-09 cs.CV
UCAN: Unified Convolutional Attention Network for Expansive Receptive Fields in Lightweight Super-Resolution
Ho Chi Minh City Open University（胡志明市开放大学）；AI Tech Lab, Ho Chi Minh City University of Technology（胡志明市科技大学人工智能技术实验室）；Code Mely AI Research Team（Code Mely 人工智能研究团队）；Global College, Shanghai Jiao Tong University（上海交通大学全球学院）；Ha Noi University of Science and Technology（河内科技大学）；University of Manitoba（曼尼托巴大学）
UCAN通过融合卷积与注意力机制，有效扩展感受野，采用Hedgehog注意力和蒸馏模块实现高效轻量化，适用于资源受限设备的超分辨率恢复。
2026-04-07 cs.CV
N-Gram in Swin Transformers for Efficient Lightweight Image Super-Resolution
Sogang University（西江大学）；LG Innotek（LG伊诺特）
虽然一些研究已经证明具有窗口自注意（WSA）的Swin Transformer（Swin）适用于单个图像超分辨率（SR），但是普通的WSA由于有限的感受野而在重建高分辨率图像时忽略了宽区域。此外，许多深度学习SR方法遭受密集计算。为了解决这些问题，我们首次将N-Gram上下文引入到具有Transformers的低级视觉中。我们将N-Gram定义为Swin中的相邻局部窗口，这与将N-Gram视为连续字符或单词的文本分析不同。N-Gram通过滑动WSA相互作用，扩展可见区域以恢复退化像素。使用N-Gram上下文，我们提出了NGswin，一个高效的SR网络与SCDP瓶颈采取多尺度输出的分层编码器。实验结果表明，NGswin实现了竞争力的性能，同时保持了一个有效的结构相比，以前的领先方法。此外，我们还改进了其他基于Swin的SR方法与N-Gram上下文，从而建立一个增强的模型：SwinIR-NG。我们改进的SwinIR-NG优于当前最好的轻量级SR方法，并建立了最先进的结果。代码可在https://github.com/rami0205/NGramSwin上获得。
2023-03-20 cs.CV
Lightweight Single-Image Super-Resolution Network with Attentive Auxiliary Feature Learning
Sun Yat-sen University（中山大学）；City University of Hong Kong（香港城市大学）；Shanghai Jiao Tong University（上海交通大学）；Northwestern University（西北大学）
尽管基于卷积网络的方法提高了单图像超分辨率（SISR）的性能，但巨大的计算成本限制了其实用性。在本文中，我们开发了一个计算效率高，但准确的网络的基础上提出的关注辅助功能（A $^2$ F）的SISR。首先，为了探索来自底层的特征，将来自所有先前层的辅助特征投影到公共空间中。然后，为了更好地利用这些投影的辅助特征和过滤冗余信息，信道注意力被用来选择基于当前层特征的最重要的共同特征。我们将这两个模块合并到一个块中，并使用轻量级网络实现它。大规模数据集上的实验结果表明，该模型对国家的最先进的（SOTA）SR方法的有效性。值得注意的是，当参数小于320 k时，A $^2$ F在所有尺度上都优于SOTA方法，这证明了它能够更好地利用辅助特征。代码可在https://github.com/wxxxxxxh/A2F-SR上获得。
2020-11-13 cs.CV
DiMoSR: Feature Modulation via Multi-Branch Dilated Convolutions for Efficient Image Super-Resolution
Codeway AI Research Istanbul, TR（Codeway AI研究所以stanbul）；Koç University Istanbul, TR（科克大学）；KUIS AI Center, Koç University Istanbul, TR（KUIS人工智能中心，科克大学）
本文提出DiMoSR架构，利用多分支空洞卷积进行特征调制，在保持计算效率的同时捕获丰富上下文信息，在轻量级图像超分辨率任务中实现了优于现有方法的重建质量。
2025-05-27 cs.CV eess.IV
NAFRSSR: a Lightweight Recursive Network for Efficient Stereo Image Super-Resolution
South China Normal University（华南师范大学）；Nanjing University（南京大学）
针对现有立体图像超分辨率模型计算复杂度高的问题，提出基于NAFSSR改进的轻量级递归网络NAFRSSR，通过模块轻量化与可训练边缘检测算子实现参数量减少、性能提升与推理加速。
2024-05-14 cs.CV eess.IV
Efficient Attention-Sharing Information Distillation Transformer for Lightweight Single Image Super-Resolution
Seoul National University（首尔大学）；Gwangju Institute of Science and Technology（光州科学技术院）
本文提出轻量级超分辨率网络ASID，通过改进信息蒸馏结构并引入跨块注意力共享，在仅约300K参数下实现与现有方法相当甚至更优的性能。
2025-02-04 cs.CV
DLGSANet: Lightweight Dynamic Local and Global Self-Attention Networks for Image Super-Resolution
Nanjing University of Science and Technology（南京理工大学）
提出了一种有效的轻量级动态局部和全局自注意网络（DLGSANet）来解决图像超分辨率问题。我们的方法探讨了Transformers的属性，同时具有较低的计算成本。受Transformers网络设计的启发，我们开发了一个简单而有效的多头动态局部自注意（MHDLSA）模块来有效地提取局部特征。此外，我们注意到，现有的Transformers通常探索查询和特征聚合的键之间的标记的所有相似性。然而，并不是所有的令牌从查询是相关的那些在关键字，使用所有的相似性并不能有效地促进高分辨率图像重建。为了克服这个问题，我们开发了一个稀疏全局自注意（SparseGSA）模块来选择最有用的相似度值，以便最有用的全局特征可以更好地用于高分辨率图像重建。我们开发了一个混合动态变压器块（HDTB），集成了MHDLSA和SparseGSA的本地和全球的功能探索。为了简化网络训练，我们将HDTB制定为残余混合动态变压器组（RHDTG）。通过将RHDTG嵌入到端到端的可训练网络中，我们表明我们提出的方法具有更少的网络参数和更低的计算成本，同时在准确性方面与最先进的方法相比具有竞争力的性能。更多信息请访问https://neonleexiang.github.io/DLGSANet/
2023-01-05 cs.CV
Lightweight Feature Fusion Network for Single Image Super-Resolution
Tsinghua University（清华大学）；China Three Gorges University（三峡大学）
随着卷积神经网络（CNN）的深入和广泛应用，单图像超分辨率（SISR）得到了长足的发展。然而，巨大的参数阻碍了其应用到现实世界的问题。在这封信中，我们提出了一个轻量级的特征融合网络（LFFN），可以充分探索多尺度上下文信息，大大减少网络参数，同时最大限度地提高SISR结果。LFFN构建在主轴块和softmax特征融合模块（SFFM）上。具体地，主轴块由维度扩展单元、特征探索单元和特征细化单元组成。维扩展层将低维扩展到高维，隐式学习适合下一个单元的特征图。特征探索单元针对不同的特征图执行线性和非线性特征探索。特征细化层用于融合和细化特征。SFFM利用softmax函数自适应地融合不同模块的特征，充分利用层次信息，参数代价小。在基准数据集上的定性和定量实验表明，LFFN在具有相似参数的最先进方法中取得了良好的性能。
2019-04-13 cs.CV
Single Image Super-resolution via a Lightweight Residual Convolutional Neural Network
School of Computer and Information Technology, Shanxi University（山西大学计算机与信息技术学院）；Harbin Institute of Technology（哈尔滨工业大学）
近年来，卷积神经网络（CNN）在解决低层次和高层次的各种问题方面取得了巨大的成功。特别值得注意的是残差网络，它最初被提出来处理高层次的视觉问题，并享有一些优点。本文旨在将残差网络的优点，如跳跃连接诱导的快速训练，扩展到一个典型的低层次视觉问题，即，单个图像超分辨率。一般来说，现有深度CNN的超分辨率的两个主要挑战在于梯度爆炸/消失问题以及随着CNN更深入而产生的大量参数或计算成本。相应地，利用跳跃连接或单位映射捷径来避免梯度爆炸/消失问题。此外，跳过连接自然地集中了激活，从而带来了更好的性能。为了解决第二个问题，提出了一种轻量级的CNN架构，该架构具有精心设计的宽度，深度和跳过连接。特别地，对于剩余网络，提出了一种逐渐改变网络形状的策略。还比较了用于图像超分辨率的不同残差架构。实验结果表明，提出的CNN模型不仅可以实现最先进的PSNR和SSIM结果的单图像超分辨率，但也产生视觉上愉快的结果。本文扩展了mmm 2017口头会议论文，特别是从剩余网络的中心激活和集成行为的角度进行了大量新的分析和更多的实验。
2017-12-06 cs.CV
CUST: Clustered Unit-level Similarity Transformer for Lightweight Image Super-Resolution
Independent Researcher（独立研究者）
针对基于ViT的图像超分辨率模型计算复杂度高的问题，提出聚类单元级相似性变换器（CUST）。该模型整合全局与局部信息，用重叠窗口捕局部依赖、算残差提高频细节，在计算效率和恢复性能间达平衡，内存占用低、推理速度快。
2026-07-14 cs.CV
