清华简·厚父探讨了社会物理学，指出大语言模型在长句处理上的提升效果，并分享了前端图像超分辨率项目及个人博客。

本研究提出了BadSR方法，旨在解决图像超分辨率模型易受后门攻击的问题。该方法提高了被污染高分辨率图像的隐秘性，并确保对干净图像的修改保持在受限范围内。实验结果表明，该方法在多种模型和数据集上具有高攻击成功率，显著影响下游任务。

本研究探讨了短视频用户生成内容的质量评估与增强，推出了轻量级视频质量评估模型和新数据集KwaiSR，旨在提升用户体验。该挑战吸引了266名参与者，推动了短视频质量评估和图像超分辨率领域的发展。

本研究探讨了图像超分辨率中的高分辨率图像恢复问题，提出使用变换器模型以克服传统方法的局限性，如感受野有限和高频细节恢复困难。研究表明，变换器与传统网络结合能更好地平衡全球与局部上下文，并指出未来研究的潜在方向。

本研究提出OFTSR框架，解决了现有图像超分辨率方法的计算开销大和灵活性不足的问题。OFTSR能够一步生成图像，并实现可调的保真度与真实性权衡，实验结果表明其在多个数据集上表现优异。

本研究提出了一种新模型混合注意力聚合变换器（HAAT），解决了图像超分辨率中自注意力机制忽视跨通道信息的问题。该模型结合Swin稠密残差连接块与混合网格注意力块，提升了特征信息的利用率，表现优于现有方法。

该研究提出了TSD-SR模型，有效解决了现有图像超分辨率方法在效率和细节恢复方面的不足，实验结果表明其在恢复效果和推断速度上优于之前的方法。

本研究提出了一种新方法HF-Diff，通过引入高频感知损失和分布匹配，提升基于扩散的图像超分辨率质量。实验结果表明，该方法在多个基准数据集上表现优异，超越了现有技术。

本研究提出了一种新的真实世界图像超分辨率方法AdcSR，利用对抗扩散压缩框架，显著提高推理速度，推理时间减少73%，计算量减少78%，参数量减少74%，同时保持优异的图像恢复质量。

本研究提出了多种基于扩散模型的图像超分辨率方法，旨在提高采样质量和效率。新模型ACDMSR和YONOS-SR通过优化边界条件和蒸馏技术，显著提升了低分辨率图像的视觉效果。此外，研究引入了双阶段框架和时间感知蒸馏方法，解决了传统方法的延迟问题，实验结果显示新方法在多个基准测试中表现优越。

Transformer在图像超分辨率任务中表现优异，但传统方法计算复杂度高。论文提出HiT-SR策略，通过分层窗口和空间-通道相关方法，提高多尺度特征聚合效率。HiT-SR利用扩展窗口和线性复杂度方法，改善长距离依赖。实验显示，HiT-SR在性能、参数和速度上优于现有方法，速度提升约7倍。

该论文提出了多种新颖的文本到图像生成方法，如分块并行解码、离散扩散模型和文本条件采样，显著提升了生成速度和图像质量，并验证了其在机器翻译和图像超分辨率任务中的有效性。

本文介绍了一种新型图像超分辨率方法ACDMSR，利用预训练的扩散模型和可控特征模块，克服了固定尺寸的限制。该方法通过减少扩散步骤，提高了推理速度和图像质量，实验结果表明其性能优于现有方法。此外，XPSR框架结合多模态大语言模型，增强了语义信息提取，生成高保真度图像。

本文提出了多种新型网络结构以提升图像超分辨率性能，包括整体注意力网络、WaveMix架构和混合多轴聚合网络。这些方法通过改进特征聚合和注意力机制，显著提高了超分辨率效果，并在多个数据集上优于现有技术。

本文介绍了一种新型图像超分辨率方法ACDMSR，利用预训练的扩散模型和控制特征模块，克服了固定尺寸的限制，实现了对任意分辨率的适应。此外，研究还提出了SinSR和YONOS-SR等方法，通过简化训练过程和减少推断步骤，显著提高了超分辨率图像的质量和效率。

本文研究了施罗丁格桥问题的最大似然估计及其数值方法，提出了基于高斯过程的生成模型，优化了生成时间，并在图像超分辨率等应用中取得了良好效果。同时，探讨了新的采样算法和分布匹配算法，以提升模型的可扩展性和稳定性。

本文介绍了多种新型视觉变换器模型，如Multi-Scale Vision Longformer和X-ViT，旨在提升高分辨率图像处理能力。这些模型在计算机视觉任务中表现优异，尤其在图像超分辨率和分类任务中显著提升了性能。

ResShift是一个高效的图像超分辨率扩散模型，通过残差位移实现。它具有一个先进的Gradio APP，可以在多个平台上一键安装。该APP可以批量处理图像，并自动保存生成的图像。使用时需要下载必要的模型。