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。

我们提出了CFAT模型用于图像超分辨率，结合三角-矩形窗口和通道全局注意力技术，能更好地捕捉长距离和多尺度特征，提升超分辨率性能。实验显示，CFAT比其他最新模型性能提升0.7分贝。

本文介绍了YONOS-SR，一种通过单次DDIM步骤实现图像超分辨率的新方法。采用尺度蒸馏，将问题简化为在小尺度上训练教师模型，再逐步训练学生模型到目标尺度。实验显示，该方法比直接高尺度训练更优，推断步骤更少。通过冻结U-Net并微调解码器，结合空间蒸馏，实现了优于传统方法的性能。

本文回顾了NTIRE 2024挑战赛，聚焦图像超分辨率任务，要求从低分辨率图像生成4倍高分辨率图像。挑战不限制计算资源和训练数据，通过DIV2K数据集的PSNR评估性能。吸引了199名注册者，20个团队提交作品，推动了单图像超分辨率的进展，并概述了该领域的趋势。

本研究提出了一种新颖的低到高多级变换器(LMLT)，用于解决现有视觉变换器(ViT)在图像超分辨率中的复杂性和高内存使用等问题。LMLT在保持或超越最新ViT图像超分辨率方法性能的同时，显著降低了推理时间和GPU内存使用。

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。

本文介绍了一种新的稳定的基于扩散的图像超分辨率方法YONOS-SR，通过尺度蒸馏方法训练SR模型，实验证明蒸馏模型优于直接训练高放大尺度的模型。使用只需一步的扩散模型可以冻结U-Net并微调解码器，比需要200步的方法更优越。

该文章介绍了一种基于RAISR算法的图像超分辨率算法，能够去除失焦模糊并提高图像质量。与其他方法相比，该算法平均PSNR增加13％，SSIM增加10％，同时减少了伪影。