本文提出了一种基于不同比例尺下特征适应块和上采样层的单幅图像超分辨率网络的方法，并利用特定比例尺下的网络知识，提出了一种比例尺-aware知识转移方法。结果表明，该方法可以在保持整数比例尺下的图像超分辨率性能的同时，在非整数和非对称跨度方面取得有前途的结果，而附加的计算和内存成本非常小。

通过分析扩展的变量范围，研究人员建立了适用于细粒度混合专家模型的扩展规律，并推导出最佳的训练配置。结果显示，Mixture of Experts模型在规模和训练预算扩大时始终优于密集Transformer模型。研究还证明将专家的大小设置成与前馈层相似的常见做法并不是最优的。