本文提出了IQ-LUT方法，通过插值、非均匀量化和残差学习，解决了查找表超分辨率技术的存储膨胀问题。该方法在保持高质量图像重建的同时，显著压缩模型体积，尤其在移动端和嵌入式设备上表现优异。实验结果表明，IQ-LUT在多个基准数据集上优于现有方法，展现出高性能与效率。

2025年低资源音频编解码器比赛吸引了多家机构参与，字节跳动团队表现优异，获得赛道1冠亚军和赛道2季军。比赛聚焦低复杂度、高音质的音频编解码技术，推动实时通信和流媒体的发展。团队提出的IRIS和Enhance-Nanocodec方案在严格限制下实现了优质音频重建，未来将继续优化技术，拓展应用场景。

苹果将在2026年国际声学、语音与信号处理会议（ICASSP）上展示新研究，会议定于5月4日至8日在西班牙巴塞罗那举行。苹果再次赞助该会议，汇聚信号处理及其应用领域的科研和工业界。

本文提出IQ-LUT方法，通过插值、非均匀量化和残差学习，解决查找表超分辨率技术的存储膨胀问题。该方法在小模型下实现高质量超分辨率，尤其在复杂纹理和边缘区域表现优异。实验结果表明，IQ-LUT在多个基准数据集上优于现有方法，展现出良好的性能与效率平衡。

本文提出了一种针对低资源语言（如泰语）的语音大语言模型（SLLM）多任务理解方案，核心创新包括自监督学习的语音编码器XLSR-Thai、通用语音-文本对齐方法U-Align，以及泰语口语理解数据生成流水线Thai-SUP。实验结果表明，该方案有效提升了泰语的自动语音识别和多任务理解能力，为低资源语言的SLLMs构建提供了新路径。

苹果赞助的IEEE国际声学、语音与信号处理会议（ICASSP）将于2025年4月6日至11日在印度海得拉巴举行，展示信号处理相关研究与应用，苹果将在C3展位设立展台，欢迎参观。