基于三阶段网络架构，结合离散小波变换和规范化以降低输入图像尺寸，从而减少训练和推理时间，提供了有效去除阴影和噪声的生成对抗网络方法，通过引入新的生成器、判别器和损失函数进一步改善模型性能，相比于现有技术，在保持模型性能为 73.79 的平均分上，本方法将训练时间减少了 10%，推理时间减少了 26%。

使用LWay框架结合有监督预训练和自监督学习提高图像超分辨模型的适应能力和细节恢复能力。通过DWT进一步改进对高频细节的聚焦。该方法在真实世界数据集上显著改善了超分辨模型的泛化能力和细节恢复能力，超越了现有方法。

DWT（Data Watchpoint and Trace）是Cortex-M处理器中用于系统调试和跟踪的外设。它包含一些可用于性能分析的剩余计数器，其中最常用的是CYCCNT寄存器来测量任务执行所需的周期数。使用DWT可以方便地进行性能分析和调试，优化代码和系统性能。使用DWT的步骤是先使能DWT外设，清零CYCCNT寄存器，然后使能CYCCNT寄存器。