{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期部分”：[[2024,9,12]，“日期时间”：“2024-09-12T04:13:28Z”，“时间戳”：1726114408744}，“发布者位置”：“Cham”，“引用计数”：66，“发布商”：“Springer International Publishing”，“isbn-type”：[{“键入”：“打印”，“值”：“9783030670696”}{“type”：“电子”，“value”：“9783030670702”}]，“license”：[{“start”：{“date-parts”：[[2020,1,1]]，“date-time”：“2020-01-01T00:00:00Z”，“timestamp”：1577836800000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“http://\www.springer.com\/tdm”}，{“start”：{“date-ports”：[20200,1]]，2020-01-01T00:00:00Z“，”时间戳“：1577836800000}，”内容版本“：”vor“，“delay-in-days”：0，“URL”：“http:\/\/www.springer.com\/tdm”}，{“start”：{“date-parts”：[[2020,1,1]]，“date-time”：“2020-01-01T00:00:00Z”，“timestamp”：1577836800000}，“content-version”：“tdm”，“delay-in-days“：0，”URL“https:\/\www.springer.com\/tdm”}1,1]]，“日期时间”：“2020-01-01T00:00:00Z”，“时间戳”：1577836800000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/www.springer.com/tdm”}]，“content-domain”：{“domain”:[“link.springer.com”]，“crossmark-restriction”：false}，“short-container-title”：[]，“published-print”:{“date-parts”：[2020]]}，”DOI“10.1007\/978-3-030-67070-2_1”，“type”：“book-capter”，“created”“：{”日期部分“：[[2021,1,29]]，”日期时间“：“2021-01-29T15:02:51Z”，“时间戳”：1611932571000}，“页面”：“5-40”，“更新策略”：“http://\/dx.doi.org\/10.1007\/springer_crossmark_policy”，“源”：“Crossref”，《is-referenced-by-count》：34，“标题”：[“AIM 2020高效超分辨率挑战：方法和结果”]，“前缀”：“10.1007”，”作者“：[{”给定“：“Kai”，“family”：“Zhang”，“sequence”：“第一个”，“affiliation”：[]}，{“given”：“Martin”，“family”：“Danelljan”，“sequence”：“additional”，“affeliance”：[]}“：[]}，{”given“：”Jie“，”family“：“Tang”，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Gangshan”，“family”：“Wu”，“serquence”，“additionable”：“affidiation”：[]}序列“：”附加“，”从属“：[]}，{“given”：“Chenghua”，“family”：“Li”，“sequence”：“additional”，“affiliation”：[]}“文毅”、“家族”：“王”、“序列”：“additional”，“affiliation”：[]}，{“given”：“Xiaohong”，“family”：“Liu”，“sequence”：“addressive”，“filiation“：[]{”given“：”Hengyuan“，”family“：”Zhao“，”sequence“：”additional“，”affiliance“：[]}，“givent”：“Xiangtao”，“家人”：“Kong”，“序列”：“附加的”，“从属关系”：[]{“given”“隶属关系”：[]}，{“给定”：“余”，“家庭”：“乔”，“序列”：“附加”，“从属”：[]}，{“给定”：“超”，“家族”：“侗”，“顺序”：“额外”，“隶属”：[]}，}“给定的”：“小童”，“家人”：“罗”，“次序”：“添加”，“附属”：[]}“：”张“，”序列“：”附加“，“从属关系”：[]}，{“给定”：“弥勒”，“家族”：“隋”，“序列”：“附加”，“从属”：[]}，}“给定的”：“库尔德普”，“家庭”：“普洛希特”，“顺序”：“额外”，“隶属关系”：[]}：“附加”，“从属关系”：[]}，{“给定”：“志强”，“家庭”：“郎”，“序列”：“附加”，“从属关系”：[]}，{“给定”：“江涛”，“家族”：“聂”，“顺序”：“额外”，“隶属关系”：[]}、{“给出”：“卫”，“家人”：“魏”，“次序”：“添加”，“附属关系”：【】}，}“给定的”：“雷”，“家”：“张”，“时序”：“新增”，“归属关系”：〔〕}，“family”：“Muqeet”，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Jiwon”，“family”：“Hwang”，“sequence”：“addressive”，“abfiliation“：[]{”given“：Subin”，“家族”：“Yang”，”sequence“：”additional“，”affiliance“：[]}，”givent“：”JungHeum“，”family“：”Kang“附加”，“从属关系”：[]}，{“给定”：“Yong-Woo”，“family”：“Kim”，“sequence”：“additional”，“affiliation”：[]｝，｛“given”：“Yanyun”，“family”：“Qu”，“sequence”：“additional”，“affiliation”：[]｝，｛“given”：“Jeon”，“sequence”：“additional”，“affiliation”：[]｝，｛“given”：“Jun Ho”，“family”：“Choi”，“sequence”：“additional”，“affiliation”：[]｝，｛“given”：“Jun Hyuk”，“family”：“Kim”，“序列”：“additional”，“affiliation”：[]}，{“given”：“Jong-Seok”，“family”：“Lee”，“sequence”：“addressive”，“filiation“：[]{”given“，”family“：”Marty“，”sequence“：”additional“，”affiliance“：[]}，”givent“：”Eric“，”家人“：”马蒂“，”序列“：”附加“，“affaliance”：[]{”给定：“Dongliang”，“家庭”：“Xioning”：“”附加“，”从属“：[]}，{”给定“：“Siang”，“family”：“Chen”，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Lin”，”family“：”Zha“，”sequence“：”additional“，”affiliance“：[]{，”given“：”Jiande“，”faily“：“family”：“Lu”，“sequence”：“additional”，“从属关系”：[]}，{“给定”：“海城”，“家庭”：“王”，“序列”：“附加”，“从属”：[]}，}“给定的”：“维尼思”，“家族”：“巴斯卡拉”，“顺序”：“额外”，“隶属关系”：[]}、{“已知”：“亚历克斯”，“家人”：“列文斯坦”，“sequence”：“additional”，“affiliation”：[]}“附加”，“从属关系”：[]}，{“给定”：“Allan”，“family”：“Jepson”，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Xiangzhen”，“家人”：“Kong”，“sequence”:“additionable”，“filiation“：[]{”，{”given“：”Tongtong“，”family“：”Zhao“，”sequence“：”additional“，”affiliance“：[]}，“，”“family”：“Hrishikesh”，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Densen”，“family”：“Puthussery”，“segment”：“附加”，“从属”：[]}，}“giving”：“C.V.”，“家族”：“Jiji”，”sequence“：”additional序列“：”附加“，”从属“：[]}，{“given”：“Jie”，“family”：“Cai”，“sequence”：“additional”，“affiliation”：[]}，{“给定的”：“淄博”，“家庭”：“Meng”，“sequence”:“additionable”，“filiance”：[]}，}“giving”：“嘉明”，“家族”：“丁”，“序列”：“additional”、“affidiation”：[]}“学慧”、“家庭”：“王”、“序列”：“additional”，“affiliation”：[]}，{“given”：“Qiong”，“family”：“Yan”，“sequence”：“addressive”，“filiation“：[]{”given“：”Yuzhi“，”family“：”Zhao“，”sequence“：”additional“：[]}，{”给定“：”文豪“，“家庭”：“王”，“序列”：“附加”，“从属关系”：[]}，{“给定”：“振冰”，“家族”：“刘”，“顺序”：“额外”，“隶属关系”：[]}、{“给出”：“如石”，“家庭“：”兰“，”序列“：”附加“，”从属关系“：[]neneneep、{”给定“：”拉奥·穆罕默德“，”家族“：”乌默尔“，”顺序“：”额外“，“从属”：[]}、}“给定的”：“基督徒”，“family“：”Micheloni“，”sequence“：“additional”，“affiliation”：[]}]，“member”：“297”，“published-on-line”：{“date-parts”：[2021,1,30]]}，“reference”：[{“key”：“1_CR1”，“doi-asserted-by”：“crossref”，“unstructured”：“Agustsson，E.，Timofte，R.：NTIRE 2017单图像超分辨率挑战：数据集与研究。In:IEEE计算机视觉与模式识别会议（CVPR）研讨会，2017年7月”，“DOI”：“10.1109\\CVPRW.2017.150”}，｛“key”：“1_CR2”，“DOI断言”：“crossref”，“非结构化”：“Bahat，Y.，Michaeli，T.：可探索的超分辨率。在：IEEE计算机视觉和模式识别会议（2020）”，“DOI”：“10.1109\\CVPR42600.2020.00.279”｝，｛“key”：“1_CR3”，“非结构化”：“Bell-Kligler，S.、Shocher，A.、Irani，M.：使用内部GAN进行盲超分辨率核估计。摘自：《神经信息处理系统进展》，第284\u2013293（2019）页“}，{“key”：“1_CR4”，“unstructured”：“Cai，H.，Gan，C.，Han，S.：一劳永逸：训练一个网络并将其专门化以实现高效部署。arXiv预印本arXiv:1908.09791（2019Cai，Y.等人：学习多人姿势估计的精细局部表示。arXiv预印本arXiv:2003.04030（2020）“，”DOI“：”10.1007\/978-3-030-58580-8_27“}，{“key”：“1_CR6”，“DOI-asserted-by”：“crossref”，“unstructured”：“Chen，S.，Huang，K.，Claesen，L.，Li，B.，Xiong，D.，Jiang，H.：通过细粒度通道修剪的基于自适应混合合成的超分辨率网络。In:Bartoli，A.，Fusiello，A.（eds.）ECCV 2020，LNCS 12537，第119\u2013135页。Springer，Cham（2020）“，“DOI”：“10.1007\/978-3-030-67070-2_7”}，{“key”：“1_CR7”，“DOI-asserted-by”：“crossref”，“unstructured”：“Ding，X.，Ding，G.，Guo，Y.，Han，J.：Centriptal SGD，用于修剪具有复杂结构的非常深的卷积网络。摘自：IEEE计算机视觉和模式识别会议记录，第4943\u20134953页（2019）“，“DOI”：“10.1109\/CVPR.2019.00508”}，{“key”：“1_CR8”，“DOI-asserted-by”：“crossref”，“unstructured”：“Ding，X.，Guo，Y.，Ding，G.，Han，J.：ACNet：通过不对称卷积块增强强大CNN的内核骨架。摘自：IEEE国际计算机视觉会议（ICCV），2019年10月”，“DOI”：“10.1109\/ICCV.2019.00200”}，{“key”：“1_CR9”，“series-title”：“计算机科学讲义”，“DOI-asserted-by”：“publisher”，“first page”：”184“，“DOI:”10.1007\/978-3319-10593-2_13“，“volume-title”：”计算机视觉\u2013 ECCV 2014“，“author”：“C Dong”，“year”：“2014”，“非结构化“：”Dong，C.，Loy，C.C.，He，K.，Tang，X.：学习用于图像超分辨率的深度卷积网络。收录：Fleet，D.，Pajdla，T.，Schiele，B.，Tuytelaars，T.（编辑）ECCV 2014。LNCS，第8692卷，第184\u2013199页。施普林格，查姆（2014）。https:\/\/doi.org\/10007\/978-3-319-10593-2_13“}，{”key“：”1_CR10“，”doi-asserted-by“：”crossref“，”unstructured“：”Efrat，N.，Glassner，D.，Apartsin，A.，Nadler，B.，Levin，A.：单图像超分辨率中精确模糊模型与图像先验。摘自：IEEE国际计算机视觉会议，第2832\u20132839页（2013）“，”doi“：”10.1109\/ICCV.2013.352“}，{“key”：“1_CR11”，“doi-asserted-by”：“crossref”，“unstructured”：“El Helou，M.等人：AIM 2020：场景重照明和光照估计挑战。摘自：Bartoli，A.，Fusiello，A.（编辑）ECCV 2020，LNCS 12537，pp.499\u2013518。Springer，Cham（2020）“，“DOI”：“10.1007\/978-3-030-67070-2_30”}，{“key”：“1_CR12”，“DOI-asserted-by”：“crossref”，“unstructured”：“Fuoli，D.等人：AIM 2020视频极端超分辨率挑战：方法和结果。摘自：Bartoli，A.，Fusiello，A.（编辑）ECCV 2020，LNCS 1253，pp.xx\u2013yy。Springer、Cham（2020）”，“DOI:”10.1007\/978-3-030-66823-5_4“}，{“key”：“1_CR13”，“首页”：“249”，“卷”：“9”，”author“：“X Gloot”，“年份”：“2010”，“非结构化”：“Gloot，X.，Bengio，Y.：理解深度前馈神经网络训练的难度。J.Mach.Learn.Res.9，249\u2013256Gu，S.，Timofte，R.，Van Gool，L.：快速图像恢复网络的多针可训练线性单元。arXiv-print arXiv:1807.11389（2018）“}，{“key”：“1_CR15”，“unstructured”：“Hinton，G.，Vinyals，O.，Dean，J.：在神经网络中提取知识。arXiv-Print arXiv:1503.02531（2015）”}，}，“key“：”1_CR16“，“unsructured“：”Howard，a.，et al.：搜索mobilenetv3。arXiv预印本arXiv:1905.02244（2019）“}，{“key”：“1_CR17”，“doi-asserted-by”：“crossref”，“unstructured”：“Hu，J.，Shen，L.，Sun，G.：压缩和激励网络。摘自：IEEE计算机视觉和模式识别会议，第7132\u20137141页（2018）”，“doi”：“10.1109\/CVPR.2018.00745”}，}，“key“：”1_CR18“，”doi-assert-by“：”crossref.“，“unstrated”：”Hui，Z.，Gao，X.，Yang，Y.，Wang，X.：具有信息多静止网络的轻量级图像超分辨率。In:ACM Multimedia（ACM MM）（2019）“，”DOI“：”10.1145\/334031.3351084“}，{“key”：“1_CR19”，“DOI-asserted-by”：“crossref”，“unstructured”：“Ignatov，A.、Timofte，R.等人：AIM 2020对学习图像信号处理管道的挑战。收录于：Bartoli，A.，Fusiello，A.（编辑）ECCV 2020，LNCS 12537，pp.152\u2013170。Springer，Cham（2020）“，“DOI”：“10.1007\/978-3-030-67070-2_9”}，{“key”：“1_CR20”，“unstructured”：“Ignatov，A.，Timofte，R.，et al.：AIM 2020在渲染真实物体方面的挑战。摘自：Bartoli，A.，Fusiello，A.（编辑）ECCV 2020，LNCS 12537，pp.213\u2013228。Springer，Cham（2020）“}，{“key”：“1_CR21”，“doi-asserted-by”：“crossref”，“unstructured”：“Jeon，G.W.，Choi，J.H.，Kim，J.H..，Lee，J.S.：LarvaNet：通过多出口架构的分层超分辨率。摘自：Bartoli，A.，Fusiello，A.（编辑）ECCV 2020，LNCS 12537，pp.73\u201386。Springer，Cham（2020）“，“DOI”：“10.1007\/978-3-030-67070-2_4”}，{“key”：“1_CR22”，“DOI-asserted-by”：“crossref”，“unstructured”：“Kim，J.，Kwon-Lee，J.、Mu-Lee，K.：使用极深卷积网络的精确图像超分辨率。In:IEEE Conference on Computer Vision and Pattern Recognition，June 2016”，“DOI:”10.1109\/CVPR.2016.182“}，”{“key”：1_CR23“，”doi-asserted-by“：”crossref“，”unstructured“：”Ledig，C.，et al.：使用生成性对抗网络的真实感单幅图像超分辨率。摘自：IEEE计算机视觉和模式识别会议，第4681\u20134690页（2017）“，”doi“：”10.1109\/CVPR.2017.19“}，{“key”：“1_CR24”，“doi-assert-by”：“Crosref”，“unstructure”：“Lefkimatis，S.：通用去噪网络：一种用于图像去噪的新型CNN架构。摘自：IEEE计算机视觉和模式识别会议记录，第3204\u20133213页（2018）“，“DOI”：“10.1109\/CVPR.2018.00338”}，{“key”：“1_CR25”，“DOI-asserted-by”：“crossref”，“unstructured”：“Li，Y.，Gu，S.，Gool，L.V.，Timofte，R.：卷积神经网络压缩的学习滤波器基础。摘自：IEEE计算机视觉国际会议论文集，第5623\u20135632（2019）页“，”DOI“：”10.1109\/ICCV.2019.00572“}，{“key”：“1_CR26”，“DOI-asserted-by”：“crossref”，“unstructured”：“Li，Y.，Gu，S.，Mayer，C.，Gool，L.V.，Timofte，R.：组稀疏性：过滤器修剪和网络压缩分解之间的枢纽。收录于：IEEE计算机视觉和模式识别会议论文集，第8018\u20138027（2020）页，“DOI”：“10.1109”，{“key”：“1_CR27”，“DOI-asserted-by”：“crossref”，“unstructured”：“Li，Y.，Gu，S.，Zhang，K.，Van Gool，L.，Timofte，R.：DHP：通过超网络的可微元剪枝。arXiv预印本arXiv:2003.13683（2020）“，“DOI”：“10.1007\/978-3-030-58598-3_36”}，{“key”：“1_CR28”，“unstructured”：“Li，Y.，Dong，X.，Wang，W.：二量化的加法幂：神经网络的一种有效非均匀离散化。In:国际学习表征会议（2019）”}publisher，“首页”：“3194”，“DOI”：“10.1109 \/TIP.2016.2564643”，“卷”：“25”，“作者”：“D Liu”，“年份”：“2016”，“非结构化”：“Liu，D.，Wang，Z.，Wen，B.，Yang，J.，Han，W.，Huang，T.S.：通过稀疏先验的深度网络实现稳健的单图像超分辨率。IEEE传输。图像处理。25（7），3194\u20133207（2016）”，“期刊标题”：“IEEE Trans。图像处理。“}，{”key“：”1_CR30“，”unstructured“：”Liu，H.，Simonyan，K.，Yang，Y.：Darts:可区分的架构搜索。arXiv预打印arXiv:1806.09055（2018）“}”，{“key”：“1_CR31”，“doi-asserted-by”：“crossref”，“unstructure”：“”Liu，J.、Tang，J.和Wu，G.：轻量级图像超分辨率的残差特征提取网络。收录于：Bartoli，A.，Fusiello，A.（编辑）ECCV 2020，LNCS 12537，pp.41\u201355。Springer，Cham（2020）“，“DOI”：“10.1007\/978-3-030-67070-2_2”}，{“key”：“1_CR32”，“DOI-asserted-by”：“crossref”，“unstructured”：“Liu，J.，Zhang，W.，Tang，Y.，Tang-J.，Wu，G.：图像超分辨率剩余特征聚合网络。摘自：IEEE\/CVF计算机视觉和模式识别会议论文集，2020年6月”，“DOI:”10.1109\/CVPR42600.2020.00243“}，{“key”：“1_CR33”，“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“首页”：“747”，“doi”：“10.1007\/978-3-030-01267-0_44”，“volume-title”：”计算机视觉\u2013 ECCV 2018“，”作者：“Z Liu”，“年份”：“2018”，“非结构化”：“Liu，Z.，Wu，B.，Luo，W.，Yang，X.，Liu，W.、Cheng，K.-T.：双网络：通过改进的表征能力和先进的训练算法提高1位CNN的性能。收件人：Ferrari，V.，Hebert，M.，Sminchisescu，C.，Weiss，Y.（编辑）ECCV 2018。LNCS，第11219卷，第747\u2013763页。查姆施普林格（2018）。https:\/\/doi.org\/10.1007\/978-3-030-01267-0_44“}，{”key“：”1_CR34“，”series-title“：”计算机科学讲义“，”doi-asserted-by“：”publisher“，”首页“：”715“，”doi“：”10.1007\/978-300-58558-7_42“，”volume-title“：“Computer Vision\u2013 ECCV 2020”，”author“：”A Lugmayr“，”年份“：”2020“，”非结构化“：”Lugmayr，A.、Danelljan，M.、Van Gool，L.、Timofte，R.：SRFlow：使用规范化流学习超分辨率空间。收录人：Vedaldi，A.、Bischof，H.、Brox，T.、Frahm，J.-M.（编辑）ECCV 2020。LNCS，第12350卷，第715\u2013732页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-58558-7_42“}，{“key”：“1_CR35”，“doi-asserted-by”：“crossref”，“unstructured”：“Lugmayr，A.，Danelljan，M.，Timofte，R.：真实世界超分辨率的无监督学习。摘自：IEEE国际计算机视觉会议研讨会，第3408\u20133416页（2019）”，“doi”：“10.1109\/ICCVW.2019.00423”}，}，“key“：”1_CR36“，”非结构化”：“Lugmayr，A.，Danelljan，M.，Timofte，R.:Ntire 2020对真实世界图像超分辨率的挑战：方法和结果。摘自：IEEE计算机视觉和模式识别研讨会会议，第494\u2013495页（2020）“}，{“key”：“1_CR37”，“doi-asserted-by”：“crossref”，“unstructured”：“Menon，S.，Damian，A.，Hu，S.、Ravi，N.，Rudin，C.：Pulse：通过生成模型的潜在空间探索进行自我监督照片上采样。摘自：CVPR（2020）”，“doi”：“10.1109 \/CVPR42600.2020.00251“}，{“key”：“1_CR38”，“doi-asserted-by”：“crossref”，“unstructured”：“Muqeet，A.，Hwang，J.，Yang，S.，Kang，J.H.，Kim，Y.，Bae，S.H.：具有多个关注点的超轻量图像超分辨率。In:European Conference on Computer Vision Workshops（2020）”，“doi”：“10.1007\/978-3-030-67070-2_6”}，“{”key“：”1_CR39“，”doi-asserted-by“：”crossref“，”unstructured“：”Muqeet，A.，Iqbal，M.T.B.，Bae，S.H.：用于单图像超分辨率的混合剩余注意力网络。arXiv预印本arXiv:1907.05514（2019）“，“DOI”：“10.1109\/ACCESS.2019.2942346”}，{“key”：“1_CR40”，“unstructured”：“Ntavelis，E.，et al.：AIM 2020图像极限修复挑战。摘自：Bartoli，A.，Fusiello，A.（eds.）ECCV 2020，LNCS 12537，pp.716\u2013741。Springer，Cham（2020）“}，{“key”：“1_CR41”，“doi-asserted-by”：“crossref”，“unstructured”：“Radosavovic，I.，Kosaraju，R.P.，Girshick，R.，He，K.，Doll\u00e1r，P.：设计网络设计空间。摘自：IEEE计算机视觉与模式识别会议，pp.10428\u201310436（2020）”，“doi”：“10.1109\/CVPR42600.2020.01044”}，“{”key“：”1_CR42“，”series-title“：“计算机科学课堂讲稿”，“doi-asserted-by”：“publisher”，“first page”：“421”，“doi”：“10.1007\/978-3-030-00928-1_48”，“volume-title”：“Medical Image Computing and Computer Assisted Intervention \u2013 MICCAI 2018”，“author”：“AG Roy”，“year”：“2018年”，“unstructured”：“Roy，A.G.，Navab，N.，Wachinger，C.：完全卷积网络中的并行空间和信道\u2018Squeeze&Excitation \u2019。收录人：Frangi，A.F.、Schnabel，J.A.、Davatzikos，C.、Alberola-L\u00f3pez，C.、Fichtinger，G.（编辑）MICCAI 2018。LNCS，第11070卷，第421\u2013429页。查姆施普林格（2018）。https:\/\/doi.org\/10.1007\/978-3-030-00928-1_48“}，{“key”：“1_CR43”，“doi-asserted-by”：“crossref”，“unstructured”：“Shi，W.，et al.：使用高效的亚像素卷积神经网络的实时单图像和视频超分辨率。In:IEEE Conference on Computer Vision and Pattern Recognition，pp.1874\u20131883（2016）”，“doi”：“10.1109 \/CVPR.2016.207“}，{“key”：“1_CR44”，“doi-asserted-by”：“crossref”，“unstructured”：“Son，S.等人：AIM 2020视频时间超分辨率挑战。收录：Bartoli，A.，Fusiello，A.（编辑）ECCV 2020，LNCS 1253，pp.xx\u2013yyy。Springer，Cham（2020）”，“doi”：“10.1007 \/978-3-030-66823-5_2”}，“key“：”1_CR45“，”doi-assert-by“：“交叉引用”，“非结构化“：”Sreter，H.，Giryes，R.：学习卷积稀疏编码。收录于：2018 IEEE声学、语音和信号处理国际会议（ICASSP），第2191\u20132195页（2018）“，“DOI”：“10.1109\/ICASSP.2018.8462313”}，{“key”：“1_CR46”，“DOI-asserted-by”：“crossref”，“unstructured”：“Timofte，R.、Agustsson，E.、Van Gool，L.、Yang，M.H.、Zhang，L.等人：2017年单图像超分辨率挑战：方法和结果。摘自：IEEE计算机视觉和模式识别会议（CVPR）研讨会，2017年7月”，“DOI”：“10.1109\/CVPRW.2017.150”}，{“key”：“1_CR47”，“DOI-asserted-by”：“crossref”，“unstructured”：“Timofte，R.，De Smet，V.，Van Gool，L.：A+：用于快速超分辨率的调整锚定邻域回归。摘自：Cremers，D.，Reid，I.，Saito，H.，Yang，M.H.（编辑）第十二届亚洲计算机视觉会议（2014）“，”DOI“：”10.1109\/ICCV.2013.241“}，{“key”：“1_CR48”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wang，H.、Bhaskara，V.、Levinshtein，A.、Tsogkas，S.、Jepson，A.：使用mobilenetv3的高效超分辨率。收录于：Bartoli，A.，Fusiello，A.（编辑）ECCV 2020，LNCS 12537，第87\u2013102页。Springer，Cham（2020）“，“DOI”：“10.1007\/978-3-030-67070-2_5”}，{“key”：“1_CR49”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wang，X.，Yu，K.，Dong，C.，Change Loy，C.：通过深度空间特征变换在图像超分辨率中恢复真实纹理。in:IEEE Conference on Computer Vision and Pattern Recognition，pp.606\u2013615（2018）”，“DOI“：”10.1109\/CVPR.2018.00070“}，{“key”：“1_CR50”，“series-title”：“计算机科学课堂讲稿”，“DOI-asserted-by”：“publisher”，“first page”：”63“，“DOI”：“10.1007\/978-3030-11021-5_5”，“volume-title”：”Computer Vision\u2013 ECCV 2018 Workshops“，”author“：”X Wang“，”year“2019”，“unstructured”：“Wang，X.等：ESRGAN：增强超分辨率生成对抗网络。收录：Leal-Taix\u00e9，L.，Roth，S.（编辑）ECCV 2018。LNCS，第11133卷，第63\u201379页。查姆施普林格（2019）。https:\/\/doi.org\/10.1007\/978-3-030-11021-5_5“}，{“key”：“1_CR51”，“unstructured”：“Wei，P.，et al.：AIM 2020对真实图像超分辨率的挑战。收录：Bartoli，A.，Fusiello，A.（eds.）ECCV 2020，LNCS 1253，pp.xx\u2013yyy。Springer，Cham（2020）”}，}，“key“：”1_CR52“，”doi-asserted-by“：”crossref“，”unstructure“：”Xiong，D.，Huang，K.，Chen，S.，Li，B.，Jiang，H.，Xu，W.：无上采样卷积的高效超分辨率网络。摘自：ICCV Workshop（2019）“，”DOI“：”10.1109\/ICCVW.2019.00420“}，{“key”：“1_CR53”，“DOI-asserted-by”：“crossref”，“unstructured”：“Xiong，D.，Huang，K.，Jiang，H.，Li，B.，Chen，S.，Jiang.，X.：IdleSR：具有多尺度IdleBlocks的高效超分辨率网络。摘自：Bartoli，A.，Fusiello，A.（eds.）ECCV 2020，LNCS 12537，pp.136\u2013151。Springer，Cham（2020）“，“DOI”：“10.1007\/978-3-030-67070-2_8”}，{“key”：“1_CR54”，“unstructured”：“Xu，B.，Tulloch，A.，Chen，Y.，Yang，X.，Qiao，L.：带空闲块的混合合成：更有效的图像识别网络。CoRR abs \/1911.080609Yin，H.等：梦想提取：通过深度反转实现无数据知识转移。摘自：IEEE计算机视觉和模式识别会议记录，第8715页\u20138724（2020）“，“DOI”：“10.1109\/CVPR42600.2020.00874”}，{“key”：“1_CR56”，“unstructured”：“You，Z.，Yan，K.，Ye，J.，Ma，M.，Wang，P.：门装饰器：用于加速深层卷积神经网络的全局过滤器修剪方法。In:Advances In Neural Information Processing Systems，pp.2133\u20132144（2019）“}，{“key”：“1_CR57”，“doi-asserted-by”：“crossref”，“unstructured”：“Yu，F.，Koltun，V.，Funkhouser，T.：膨胀残差网络。In:IEEE Conference on Computer Vision and Pattern Recognition，pp.472\u2013480（2017）”，“doi”：“10.1109\/CVPR.2017.75”}，“key“：”：“2_CR58”，“非结构化”：“Zhang，K.等人：AIM 2020高效超分辨率的挑战：方法和结果。收录于：Bartoli，A.，Fusiello，A.（编辑）ECCV 2020，LNCS 12537，pp.5\u201340。Springer，Cham（2020）“}，{“key”：“1_CR59”，“unstructured”：“Zhang，K.，Gu，S.，Timofte，R.：Ntire 2020对感知极限超分辨率的挑战：方法和结果。收录于：IEEE计算机视觉和模式识别研讨会会议，第492\u2013493页（2020）”}，}Zhang，K.，Gu，S.，Timofte，R.等人：2019年约束超分辨率挑战：方法和结果。摘自：国际计算机视觉研讨会，第3565\u20133574（2019）页“}，{“key”：“1_CR61”，“doi-asserted-by”：“crossref”，“unstructured”：“Zhang，K.，Li，Y.，Zuo，W.，Zhangdoi-asserted-by“：”crossref“，”unstructured“：”Zhang，K.，Van Gool，L.，Timofte，R.：图像超分辨率的深度展开网络。在：IEEE计算机视觉和模式识别会议，pp.3217\u20133226（2020）“，DOI”：“10.1109\/CVPR4600.2020.000328”｝，｛“key”：“1_CR63”，“DOI asserted by”：“crossref”，“nonstructured”：“Zhang，K.、Zuo，W.、Gu，S.、Zhang、L.：在图像恢复之前学习深度CNN去噪器。摘自：IEEE计算机视觉和模式识别会议，第3929\u20133938页（2017）“，”DOI“：”10.1109\/CVPR.2017.300“}，{“key”：“1_CR64”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhang，K.、Zuo，W.、Zhang、L.：学习用于多重退化的单个卷积超分辨率网络。摘自：IEEE计算机视觉和模式识别会议，pp.3262\u20133271（2018）“，“DOI”：“10.1109\/CVPR.2018.00344”}，{“key”：“1_CR65”，“DOI-asserted-by”：“crossref”，“unstructured”：“张毅、田毅、孔毅、钟毅、傅毅：图像超分辨率的剩余稠密网络。摘自：IEEE计算机视觉和模式识别会议论文集，第2472\u20132481页（2018）“，”DOI“：”10.1109\/CVPR.2018.00262“}，{“key”：“1_CR66”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhao，H.，Kong，X.，He，J.，Qiao，Y.，Dong，C.：使用像素注意力的高效图像超分辨率。摘自：摘自：Bartoli，A.，Fusiello，A.（eds.）ECCV 2020，LNCS 12537，pp.56\u201372。Springer，Cham（2020）“，”DOI“：”10.1007\/978-3-030-67070-2_3“}]，”container-title“：[”计算机科学课堂讲稿“，”Computer Vision\u2013 ECCV 2020 Workshops“]，”原文标题“：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/link.Springer.com\/content\/pdf\/10007\/968-3-030-69070-2_1“，”content-type“：”unspecified“，”content-version“：”vor“，“”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2022,12,13]]，”date-time“：”2022-12-13T19:28:44Z“，”timestamp“：1670959724000}，”score“：1，”resource“：”primary“：”{“URL”：“https:\/\/link.springer.com\/10007\/978-3-030-67070-2_1“}}”，“subtitle”：[]，“shorttitle”：[]，“issued”：{“date-part”：[[2020年]]}，“ISBN”：[“9783030670696”，“9783030670702“]，”引用计数“：66，”URL“：”http://\/dx.doi.org\/10.1007\/978-3-030-67070-2_1“，”关系“：{}，”ISSN“：[”0302-9743“，”1611-3349“]，“ISSN-type”：[{“type”:“print”，“value”：“0302-974”}，{“类型”：“electronic”，“值”：“1611-3399”}]，“subject”：[]，“published”：{“date-parts”“：[[2020]]}，”断言“：[{”值“：”2021年1月30日“，”订单“：1，”名称“：”first_online，“label”：“first online”，“group”：{“name”：“ChapterHistory”，“label:”Chapter History“}}，{“value”：“ECCV”，“order”：1，“name”，“conference_acrombit”，“标签”：“conference_Acrombition”，“组”：{“name”:”ConferenceInfo“，”label“：”ConferenceInformation“}，”value“：”European conference on Computer Vision“，”order“：2，”name“conference_name”，“table”：“会议名称“，”组“：{“Name”：“ConferenceInfo”，“label”：“conferenceInformation”}}，{“value”：“Glasgow”，“order”：3，“Name”:“Conference_city”，“标签”：“会议城市”，“group”：{名称“：”ConferenceInformo“，”label“：”会议信息“}}}会议信息“，”标签“：”会议信息“}}，{“value”：“2020”，“order”：5，“name”：“Conference_year”，“label”：“会议年”，“group”：{“name”:“ConferenceInfo”，“table”：“Conferency Information”}}、{“value”：“2020年8月23日”，“订单”：7，“name“Conference_start_date”，”标签：“会议开始日期”，“group”：{“name”∶“ConfernceInfo”会议信息“}}，{“value”：“2020年8月28日”，“order”：8，“name”：“Conference_end_date”，“label”：“Conference end date”，“group”：{“名称”：“会议信息”，“标签”：“会务信息”}}eccv2020“，”order“：10，”name“：”conference_id“，”label“：”会议id“，”group“：lind“，”order“：1，”name“：”type“，”label“：”Type“，”group“：｛”name“：”ConfEventPeerReviewInformation“，”label“：”同行评审信息（由会议组织者提供）“｝｝，｛”value“：”OpenReview“，”order“：2，”name“：”conference_management_system“，”label“：”会议管理系统“，”group“：｛”name“：”ConfEventPeerReviewInformation“，”label“：”同行评审信息（由会议组织者提供）“}}，{“value”：“5025”，“order”：3，“name”：“number_of_submissions_sent_for_Review”，“label”：“发送供评审的提交数”，“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行评审信息”（由会议主办方提供）number_of_full_papers_accepted“，”label“：”接受的全文数“，”group“：{”name“：”ConfEventPeerReviewInformation“，”标签“：”同行评审信息（由会议组织者提供）“}}，{”value“：”0“，”order“：5，”name“:”number_ of_short_papers_Accepteded“，”table“：”已接受的短文数“，“group”：{“name”：“”ConfEventPeerReviewInformation“，”label“：”同行评审信息（由会议组织者提供）“}}，{”value“：”27%-该值由等式“接受的全文数”/“发送供评审的提交数*100”计算，然后四舍五入为整数。“，”order“：6，”name“：”acceptance_rate_of_Full_Papers“，”标签“：”全文接受率“，”group“：{”name“：”ConfEventPeerReviewInformation“，”label“：”Peer Review Information（由会议组织者提供）“}}，{”value“：”3“，”order“：7，”name“:”average_number_of_reviews_per_paper“，”标签“：”每篇论文的平均评论数“，”google“：同行评议信息（由会议组织者提供）“}}，{“value”：“7”，“order”：8，“name”：“average_number_of_papers_per_reviewer”，“label”：“每个审阅者的平均论文数”，“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行评审信息（由大会组织者提供）”}}external_reviewers_involved“，”label“：”涉及外部审阅者“，”group“：{”name“：”ConfEventPeerReviewInformation“，”标签“：”同行审阅信息（由会议组织者提供）“}}，{”value“：”会议实际上是由于新冠肺炎疫情而召开的。在ECCV研讨会上，共有467篇论文发表了249篇全文、18篇短文和21篇其他稿件。“，”order“：10，”name“：”additional_info_on_review_process“，”label“：”审阅过程的附加信息“，”group“：{”name“:”ConfEventPeerReviewInformation“，”标签“：”同侪审阅信息（由会议组织者提供）“}}]}}