{“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”：“2024-09-12T04:13:38Z”，“时间戳”：1726114418348}，“发布者位置”：“Cham”，“引用计数”：42，“发布商”：“Springer International Publishing”，“isbn-type”：[{“类型”：”print“，“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_7”，“type”：“book-capter”，“created”“：{”日期部分“：[[2021,1,29]]，”日期时间“：“2021-01-29T20:02:51Z”，“时间戳”：1611950571000}，“页面”：“119-135”，“更新策略”：“http://\/dx.doi.org\/10.1007\/springer_crossmark_policy”，“源”：“Crossref”，”is-referenced-by-count“：3，”title“：[”通过细粒度通道修剪基于自适应混合合成的超分辨率网络“]，”前缀“：”10.1007“，”author“：[{”ORCID“：“http://\/orcid.org\/00000-0003-2846-781X”，“authenticated-orcid”：false，“given”：“Siang”，“family”：“Chen”，“sequence”：“first”，“affiliation”：[]}，{“orcid”：\\/orcid.org\\0000-0001-7525-9672“，“authenticated-orcid”：false，“given”：“Bowen”，“family”：“Li”，“sequence”：“additional”，“affiliation”：[]}，{“orcid”：”http://\/orcid.org\/00000-0002-4882-7504“，”authentimated-orcid“：false”，“giving”：“Dongliang”，“家人”：“Xiong”，“序列”：“附加”，“从属关系”：[]}，“orcid”：“http://\/orcid.org\/O0000-0001-8215-166X”，“authonticated”orcid“：false，”给定“：“Haitian”，“family”：“Jiang”，“sequence”：“additional”，“affiliation”：[]}，{“ORCID”：“http://\/ORCID.org\/0000-0003-0405-6290”，“authenticated-ORCID”：false，“given”：”Luc“，”family“：”Claesen“，”sequence“：”additional“：”7_CR1“，”doi-asserted-by“：”crossref“，“非结构化”：“Agustsson，E.，Timofte，R.：Ntire 2017单图像超分辨率挑战：数据集和研究。摘自：IEEE计算机视觉和模式识别研讨会会议记录，第126\u2013135页（2017）”，“DOI”：“10.1109\/CVPRW.2017.150”}，{“key”：“7_CR2”，“series-title”：“计算机科学课堂笔记”，“doi-asserted-by”：“publisher”，“first page”：“256”，”doi“：”10.1007\/978-3-030-01249-6_16“，”volume-title“：”Computer Vision\u2013 ECCV 2018“，”author“：”N Ahn“，”year“：”2018“，“unstructured”：“Ahn，N.，Kang，B.，Sohn，K.-A.：快速、准确、轻量级的超分辨率，带级联剩余网络。收件人：Ferrari，V.，Hebert，M.，Sminchisescu，C.，Weiss，Y.（编辑）ECCV 2018。LNCS，第11214卷，第256\u2013272页。查姆施普林格（2018）。https:\/\/doi.org\/10.1007\/978-3-030-01249-6_16“}，{“key”：“7_CR3”，“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极深卷积网络。In:Computer Vision and Pattern Recognition，CVPR，pp.4943\u20134953（2019）”，“doi”：“10.1109\/CVPR.2019.00508“}，{“key”：“7_CR4”，“series-title”：“计算机科学课堂讲稿”，“doi-asserted-by”：“publisher”，“首页”：“184”，”doi“：”10.1007\/978-3319-10593-2_13“，”volume-title“：”Computer Vision\u2013 ECCV 2014“，”author“：”C Dong“，”year“：”2014“，“unstructured”：“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/10.1007\/978-3-319-10593-2_13“｝，｛“key”：“7_CR5”，“nonstructured”：“Dong，C.，Loy，C.C.，Tang，X.：加速超分辨率卷积神经网络。In：Leibe，B.，Matas，J.，Sebe，N.，Welling，M.（编辑）欧洲计算机视觉会议，ECCV”｝，｛“issue”：“2”，“key”：“7_CR6”，“doi asserted by”：“publisher”，“first page”：“12:1“，”DOI“：”10.1145\/1944846.1944852“，”volume“：”30“，”author“：”G Freedman“，”year“：”2011“，”unstructured“：”Freedman，G.，Fattal，R.：图像和视频从本地示例升级。ACM事务处理。图表。30（2），12:1\u201312:11（2011）“，“日记标题”：“ACM事务。图表。“}，{”issue“：”2“，”key“：”7_CR7“，”doi-asserted-by“：”publisher“，”first-page“：”56“，”doi“：”10.1109\/38.988747“，”volume“：“22”，”author“：”WT Freeman“，”year“：”2002“，”unstructured“：”Freeman，W.T.，Jones，T.R.，Pasztor，E.C.：基于示例的超分辨率。IEEE Compute.Graphics Appl.22（2），56\u201365（2002）“，”journal-title“：“IEEE计算图形应用程序”}，{“key“：”7_CR8“，”doi-asserted-by“：”crossref“，”unstructured“：”Gao，S.，Liu，X.，Chien，L.，Zhang，W.，Alvarez，J.M.：VACL：用于修剪深度剩余网络的方差软件跨层正则化。摘自：国际计算机视觉研讨会，ICCV研讨会，第2980\u20132988页（2019）“，“DOI”：“10.1109\/ICCVW.2019.00360”}，{“key”：“7_CR9”，“unstructured”：“Guo，Y.，Yao，A.，Chen，Y.：高效DNN的动态网络手术。摘自：Lee，D.D.，Sugiyama，M.，von Luxburg，U.，Guyon，I.，Garnett，R.（eds.）神经信息处理年度会议，NeurIPS，pp.1379\u20131387（2016）“}，{“key”：“7_CR10”，“unstructured”：“Han，S.，PoolHaris，M.，Shakhnarovich，G.，Ukita，N.：超分辨率的深度反向投影网络。收录于：计算机视觉和模式识别会议，CVPR，pp.1664\u20131673（2018）“，“DOI”：“10.1109\/CVPR.2018.00179”}，{“key”：“7_CR12”，“DOI-asserted-by”：“crossref”，“unstructured”：“He，K.，Zhang，X.，Ren，S.，Sun，J.：图像识别的深度剩余学习。摘自：计算机视觉和模式识别会议，CVPR，第770\u2013778页（2016）“，“DOI”：“10.1109\/CVPR.2016.90”}，{“key”：“7_CR13”，“DOI-asserted-by”：“crossref”，“unstructured”：“He，Y.，Kang，G.，Dong，X.，Fu，Y.Yang，Y.：用于加速深层卷积神经网络的软滤波器修剪。摘自：Lang，J.（ed.）国际人工智能联合会议，IJCAI，pp.2234\u20132240（2018）“，”DOI“：”10.24963\/IJCAI.2018\/309“｝，｛”key“：”7_CR14“，”DOI断言“：”crossref“，”非结构化“：”He，Y.，Liu，P.，Wang，Z.，Hu，Z..，Yang，Y.：通过几何中值进行滤波器修剪，用于深度卷积神经网络加速。摘自：计算机视觉和模式识别会议，CVPR，第4340\u20134349页（2019）“，“DOI”：“10.1109\/CVPR.2019.00447”}，{“key”：“7_CR15”，“unstructured”：“Hu，H.，Peng，R.，Tai，Y.，Tang，C.：网络修剪：一种面向高效深层架构的数据驱动神经元修剪方法。CoRR abs\/1607.03250（2016）”}doi-asserted-by“：”crossref“，”unstructured“：”Huang，Q.，Zhou，S.K.，You，S.，Neumann，U.：学习修剪卷积神经网络中的滤波器。摘自：《计算机视觉应用冬季会议》，WACV，第709\u2013718页（2018）“，“DOI”：“10.1109\/WACV.2018.00083”}，{“key”：“7_CR17”，“DOI-asserted-by”：“crossref”，“unstructured”：“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。摘自：Amsaleg，L.，Huet，B.，Larson，M.A.，Gravier，G.，Hung，H.，Ngo，C.，Ooi，W.T.（编辑）国际多媒体会议，MM，pp.2024\u20132032（2019）“，“DOI”：“10.1145\/3343031.3351084”}，{“key”：“7_CR18”，“unstructured”：“Ignatov，A.等人：智能手机感知图像增强的Pirm挑战：报告。在：《欧洲计算机视觉会议录》（ECCV）（2018）“｝，｛”key“：”7_CR19“，”doi断言“：”crossref“，”非结构化“：”Kim，J.，Lee，J.K.，Lee，K.M.：使用非常深度卷积网络的精确图像超分辨率。在：计算机视觉和模式识别会议，CVPR，pp.1646\u20131654（2016）“，”doi“：”10.1109\/CVPR.2016.182“}，{“key”：“7_CR20”，“doi-asserted-by”：“crossref”，“unstructured”：“Kim，J.，Lee，J.K.，Lee和K.M.：图像超分辨率的深度递归卷积网络。In:Computer Vision and Pattern Recognition，CVPR，pp.1637\u20131645（2016）”，“doi”：“10.1109\/CVPR.2016.181”}，}“key:”7_CR21“，”doi-assert-by“：”crossref”，“非结构化”：“Lai，W.，Huang，J.，Ahuja，N.，Yang，M.：用于快速准确超分辨率的深拉普拉斯金字塔网络。收录于：计算机视觉和模式识别会议，CVPR，pp.5835\u20135843（2017）“，“DOI”：“10.1109\/CVPR.2017.618”}，{“key”：“7_CR22”，“DOI-asserted-by”：“crossref”，“unstructured”：“Lemaire，C.，Achkar，A.，Jodoin，P.：具有预算软件正则化的神经网络结构化修剪。收录于：计算机视觉和模式识别会议，CVPR，pp.9108\u20139116（2019）“，“DOI”：“10.1109\/CVPR.2019.00932”}，{“key”：“7_CR23”，“unstructured”：“Li，H.，Kadav，A.，Durdanovic，I.，Sametdoi-asserted-by“：”crossref“，”unstructured“：”Lim，B.，Son，S.，Kim，H.，Nah，S.、Lee，K.M.：用于单图像超分辨率的增强深度残差网络。收录于：计算机视觉和模式识别研讨会会议，CVPR研讨会，第1132\u20131140页（2017）“，“DOI”：“10.1109\/CVPRW.2017.151”}，{“key”：“7_CR25”，“DOI-asserted-by”：“crossref”，“unstructured”：“Lin，S.，Ji，R.，Li，Y.，Wu，Y.、Huang，F.、Zhang，B.：通过全局和动态滤波器修剪加速卷积网络。摘自：Lang，J.（编辑）国际人工智能联合会议，IJCAI，pp.2425\u20132432（2018）“，“DOI”：“10.24963\/IJCAI.2018\/336”}，{“key”：“7_CR26”，“DOI-asserted-by”：“crossref”，“unstructured”：“Liu，Z.、Li，J.、Shen，Z.，Huang，G.、Yan，S.、Zhang，C.：通过网络精简学习有效卷积网络。In:计算机视觉国际会议，ICCV，pp.2755\u20132763（2017）“，“DOI”：“10.1109\/ICCV.2017.298”}，{“key”：“7_CR27”，“DOI-asserted-by”：“crossref”，“unstructured”：“Molchanov，P.、Mallya，A.、Tyree，S.、Frosio，I.、Kautz，J.：神经网络修剪的重要性评估。收录于：计算机视觉和模式识别会议，CVPR，pp.11264\u201311272（2019）“，“DOI”：“10.1109\/CVPR.2019.01152”}，{“key”：“7_CR28”，“DOI-asserted-by”：“crossref”，“unstructured”：“Shi，W.，et al.：使用高效的亚像素卷积神经网络实现实时单图像和视频超分辨率。收录于：计算机视觉和模式识别会议，CVPR，第1874\u20131883页（2016）“，“DOI”：“10.1109\/CVPR.2016.207”}，{“key”：“7_CR29”，“DOI-asserted-by”：“crossref”，“unstructured”：“Szegedy，C.，Vanhoucke，V.，Ioffe，S.，Shlens，J.，Wojna，Z.：重新思考计算机视觉的初始架构。收录于：计算机视觉与模式识别会议，CVPR，pp.2818\u20132826（2016）“，“DOI”：“10.1109\/CVPR.2016.308”}，{“key”：“7_CR30”，“DOI-asserted-by”：“crossref”，“unstructured”：“Tai，Y.，Yang，J.，Liu，X.：通过深度递归残差网络的图像超分辨率。收录于：计算机视觉和模式识别会议，CVPR，pp.2790\u20132798（2017）“，“DOI”：“10.1109\/CVPR.2017.298”}，{“key”：“7_CR31”，“DOI-asserted-by”：“crossref”，“unstructured”：“Tai，Y.，Yang，J.，Liu，X.，Xu，C.：Memnet：用于图像恢复的持久存储网络。参加：国际计算机视觉会议。pp.4549\u20134557（2017）”，“DOI”：“10.1109\/ICCV.2017.486”}，{“key”：“7_CR32”，“DOI断言者”：“crossref”，“非结构化”：“Timofte，R.，Agustsson，E.，Van Gool，L.，Yang，M.H.，Zhang，L.等：Ntire 2017单图像超分辨率挑战：方法和结果。在：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”：“7_CR33”，“series-title”：“计算机科学讲义”，“DOI-asserted-by”：“publisher”，“first page”：”111“，“DOI:”10.1007\/978-3-319-16817-3_8“，“volume-title”：”Computer Vision\u2013 ACCV 2014“，“author”：“R Timofte”，“year”：“2015”，“unstructured”：“Timofte，R.，De\u00a0Smet，V.，Van\u00a 0Gool，L.：A+：快速超分辨率的调整锚定邻域回归。作者：Cremers，D.，Reid，I.，Saito，H.，Yang，M.-H.（编辑）ACCV 2014。LNCS，第9006卷，第111\u2013126页。查姆施普林格（2015）。https://doi.org\/10.1007\/978-3-319-16817-3_8“}，{“key”：“7_CR34”，“unstructured”：“Timofte，R.，Gu，S.，Wu，J.，Van Gool，L.：Ntire 2018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研讨会会议记录，第852\u2013863（2018）页”}，}doi-asserted-by“：”crossref“，”unstructured“：”Timofte，R.，Smet，V.D.，Gool，L.V.：快速基于示例的超分辨率锚定邻域回归。收录于：计算机视觉国际会议，ICCV，第1920\u20131927页（2013）“，“DOI”：“10.1109\/ICCV.2013.241”}，{“key”：“7_CR36”，“unstructured”：“Wang，C.，Li，Z.，Shi，J.：带自适应加权学习网络的轻量图像超分辨率。CoRR abs \/1904.02358（2019）”}Wen，W.、Wu，C.、Wang，Y.、Chen，Y.和Li，H.：学习深层神经网络中的结构化稀疏性。收录人：Lee，D.D.，Sugiyama，M.，von Luxburg，U.，Guyon，I.，Garnett，R.（编辑）神经信息处理系统年度会议，NeurIPS，pp.2074\u20132082（2016）“}，{“key”：“7_CR38”，“unstructured”：“Ye，J.，Lu，X.，Lin，Z.，Wang，J.Z.：重新思考卷积层通道修剪中的小非正规信息假设。在：国际学习表征大会，ICLR（2018）“｝，｛”键“：”7_CR39“，”非结构化“：”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。摘自：Wallach，H.M.，Larochelle，H.，Beygelzimer，A.，d\u2019Alch\u00e9-Buc，F.，Fox，E.B.，Garnett，R.（编辑）神经信息处理年度会议，NeurIPS，pp.2130\u20132141（2019）“}，{“关键”：“7_CR40”，“非结构化”：“Zhang，K.，Danelljan，M.，Li，Y.，Timofte，R.等人：AIM 2020高效超分辨率的挑战：方法和结果。In:European Conference on Computer Vision Workshops（2020）“}，{“key”：“7_CR41”，“doi-asserted-by”：“crossref”，“unstructured”：“Zhang，X.，Zhou10.1109\/CVPR.2018.00716“}，{“key”：“7_CR42”，“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“首页”：“294”，“doi”：“10.1007\/978-3-030-01234-2_18”，“volume-title”：”计算机视觉\u2013 ECCV 2018“，”作者：“Y Zhang”，“年份”：“2018”，“非结构化”：“Zhang，Y.、Li，K.，Li，K，Wang，L.，Zhong，B.，Fu，Y.：使用非常深的剩余通道注意网络的图像超分辨率。收件人：Ferrari，V.，Hebert，M.，Sminchisescu，C.，Weiss，Y.（编辑）ECCV 2018。LNCS，第11211卷，第294\u2013310页。查姆施普林格（2018）。https:\/\/doi.org\/10.1007\/978-3-030-01234-2_18“}]，“container-title”：[“计算机科学课堂讲稿”，“Computer Vision\u2013 ECCV 2020 Workshops”]，“原始标题”：[]，“language”：“en”，“link”：[{“URL”：“https:\//link.springer.com\/content\/pdf\/10.10007\/9783-030-67070-2_7”，“content-type”：“unspecified”，“content-version”：“vor”，“intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[[2021,4,24]]，”date-time“：”2021-04-24T14:34:13Z“，”timestamp“：1619274853000}，”score“：1，”resource“：{“primary”：{“URL”：“https:\\/link.springer.com\/10007\/978-3-030-67070-2_7”}，“subtitle”：[]，“shorttitle”：[]，“issued”：{“date-part”：[2020]]}，“ISBN”：[“9783030670696”，“9783030670702“]，“引用次数”：42，“URL”：“http:\/\/dx.doi.org/10.1007\/978-3-030-67070-2_7”，“关系”：｛｝，“ISSN”：[“0302-9743”，“1611-3349”]，“ISSN类型”：[｛”类型：“打印”，“值”：“0302-9743”｝，｛“类型”：“电子”，“值”：“1611-3349”｝]，“主题”：[]，“已发布”：｛“日期部分”：[[2020]]}，“断言”：[｛“value”：“2021年1月30日”，“order”：1，“name”：“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）“}}]}}