{“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”：[[2024,3,8]]，“日期时间”：“2024-03-08T00:19:43Z”，“时间戳”：1709857183575}，“发布者位置”：“Cham”，“引用计数”：84，“发布商”：“Springer Nature Switzerland”，“isbn-type”：[{“值”：“978303150651”，“类型”：”打印“}，{“值”：“9783031250668”，“类型”：“electronic”}]，“license”：[{“start”：{“date-parts”：[[2023,1,1]]，“date-time”：“2023-01-01T00:00:00Z”，“timestamp”：1672531200000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.springernature.com\/gp\/searners\/text-and-data-mining”}，{“tart”：1-01T00:00:00Z“，”时间戳“：1672531200000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/www.springernature.com//gp\/researters\/text-and-data-mining”}，{“start”：{“date-parts”：[[2023,1,1]]，“date-time”：“2023-01-01T00:00:00Z”，“timestamp”：1672531200000}，“content-version”：“tdm”，“delay-in-days”：“0，“URL”：“http://www.sprinternature.com/gp”\/researchs\/text-and-data-mining“}，{“start”：{“date-parts”：[[2023,1,1]]，“date-time”：“2023-01-01T00:00:00Z”，“timestamp”：1672531200000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\\/www.springernature.com\/gp\/researters\/text-and-data-mining”}]，“content-domain”:{“domain”：[“link.springer.com”]，“crossmark-restriction”：false}，”shortcontainer-title“：[]，“published-print”：{“date-parts”：[[2023]]}，“DOI”：“10.1007\/978-3-031-25066-8_8”，“type”：“book-chapter”，“created”：{”date-part“：[2023,2,17]]，“date-time”：“2023-02-17T08:18:05Z”，“timestamp”：1676621885000}，”page“：”174-202“，”update-policy“：“http://\/dx.DOI.org\/10007\/springer_crossmark_policy”，“source“：”Crossref“，”is-referenced-by-count“：2，”title“：[“AIM 2022挑战\u00a0压缩图像和视频的超分辨率：数据集、方法和结果”]，“前缀”：“10.1007”，“作者”：[{“ORCID”：“http://\ORCID.org\/00000-0003-4124-1186”，“authenticated-ORCID”：false，“给定”：“Ren”，“family”：“Yang”，“sequence”：“first”，“affiliation”：[]}，{“OCID”：“http:\\/ORCID.org \/00000-0002-1478-0402“，“认证兽人”：false，“给定”：“拉杜”，“家族”：“蒂莫特”，“序列”：“附加”，“隶属关系”：[]｝，｛“给定”：“辛”，“家族”：“李”，“序列”：“附加”，“隶属关系”：[]｝，｛“给定”：“齐”，“家族”：“张”，“序列”：“附加”，“隶属关系”：[]｝，｛“给定”：“林”，“家族”：“张”，“序列”：“附加”，“隶属关系”：[]｝，｛“给定”：“方龙“，“家庭”：“刘”，“序列”：“附加”，“从属关系”：[]}，{“给定”：“东梁”，“家族”：“何”，“顺序”：“额外”，“隶属关系”：[]}“，”sequence“：”附加“，“affiliation”：[]}，{“given”：“Weihang”，“family”：“Yuan”，“sequence”：“additional”，“affeliance”：[]}9851“，”authenticated-ORCID“：false，”given“：”Magauiya“，“家族”：“朱赛普”，“序列”：“附加”，“从属关系”：[]}，{“给定”：“学艺”，“家庭”：“邹”，“顺序”：“额外”，“隶属关系”：[]}“：”Tang“，”sequence“：”additional“，“affiliation”：[]}，{“given”：“Ming”，“family”：“Chen”，“sequence”：“additional”，“affeliance”：[]}]}，{“给定”：“小冉”，“家庭”：“秦”，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Chenghua”，“family”：“Li”，“serquence”:“additionable”，“filiation“：[]{”given“：”Cong“，”family“：”Leng“，”sequence“：”additional“，”affiliance“：[]}，}“giving”：“Jian”，“家族”：“程”，“序列”：“additional”、“affidiation”：[]}、{“ORCID”：”http://\/ORCID.org\/0000-0002-6086-9838“，”认证证书“：false，“given”：“Claudio”，“family”：“Rota”，“sequence”：“additional”，“affiliation”：[]}，{“ORCID”：”http://\/ORCID.org\/0000-0003-1138-3345“，”authenticated-ORCID“：false”，“giving”：“Marco”，“家族”：“Buzzelli”，“序列”：“附加”，“从属关系”：[]}，}“ORCID”：“http://\/ORCID.org\+0000-0002-7070-1545”，“authenticationd-ocid”：false，“给定”：“西蒙”，“家庭”：“Bianco”，“sequence”：“additional”，“affiliation”：[]}，{“ORCID”：“http://\/ORCID.org\/0000-0001-7461-1451”，“authenticated-ORCID”：false，“given”：”Raimondo“，”family“：”Schettini“，”sequence“：”additional“，”affiliance“：[]{“givent”：“Dafeng”，“family”：“Zhang”，“序列”：“附加”，“从属关系”：[]}，“giving”：“Feiyu”，“家族”：“黄”，“序列”：“附加”，“隶属关系”：[]}，{“给定”：“师卓”，“家族”：“刘”，“序列”：“附加”，“从属关系”：[]}、{“给出”：“小兵”，“家庭”：“王”，“顺序”：“额外”，“隶属”：[]}，}“给定的”：“浙竹”，“家人”：“金”，“排序”：“添加”，“附属关系”：【】}，“给定”:“冰镇”，“家”：“李”，“时序”：“增加”，“归属关系”“：[]}，{”ORCID“：“http://\/orcid.org\/0000-0002-6352-6523”，“authenticated-orcid”：false，“given”：“Xin”，“family”：“Li”，“sequence”：“additional”，“affiliation”：[]}，{“giving”：“Mingxi”，”family“：”Li“，”sequence“：”additional“，”affiliance“：[]{”orcid“http://\-orcid.org \/00000-0002-0931-1345”，“authenticated-orcid family”：“Liu”，“sequence”：“additional”，“从属关系”：[]}，{“ORCID”：“http://\/ORCID.org\/0000-0002-7156-0115”，“authenticated-ORCID”：false，“给定”：“文斌”，“家族”：“Zou”，“序列”：“附加”，“从属”：[]}“：[]}，{”给定“：”田“，”家庭“：“Ye”，“sequence”：“additional”，“affiliation”：[]｝，｛“ORCID”：“http:\/\/ORCID.org/0000-0001-7037-5180”，“authenticated ORCID”：false，“given”：“Yunchen”，“family”：“Zhang”，“sequence”：“additional”，“affiliation”：[]｝，｛“ORCID”：“http:\/\/ORCID.org/0000-0001-71184-0494”，“authenticated ORCID”：false，“given”：“Ming”，“family”：“Tan”，“sequence”：“additional”，“附属关系”：[]}，{“ORCID”：“http://\/ORCID.org\/00000-0002-9396-7688”，“authenticated-ORCID”：false，“给定”：“Xin”，“family”：“Niu”，“sequence”：“additional”，“affiliation”：[]}“：[]}，{”given“：”Ui-Jin“，”family“：”Choi“，“sequence”：“additional”，“affiliation”：[]}，{“ORCID”：“http://\/ORCID.org\/0000-0001-9281-9950”，“authenticated-ORCID”：false，“给定”：“庄”，“家庭”：“贾”，“segment”：“附加”，“从属”：[]}，“给定的”：“天宇”，“家族”：“徐”，“序列”：“额外”，“隶属”：[4]}，}“给定的“”：“一建”，“家人”：“张”，“顺序”：“附加“，”从属关系“：[]}，{“ORCID”：“http://\/ORCID.org\/00000-0003-4760-8702”，“authenticated-ORCID”：false，“given”：Mao，“family”：“Ye”，“sequence”：“additional”，“affiliation”：[]}，{“ORCID”:“http://\ORCID.org\/000-0001-5482-4636”，“authenticated-ORCID“：false”，“giving”：“Dengyan”：“http://\/orcid.org\/00000-0003-1277-3732”，“authenticated-orcid”：false，“given”：“Xiaofeng”，“family”：“Pan”，“sequence”：“additional”，“affiliation”：[]}，{“giving”：“Liuhan”，”family“：”Peng“，”sequence“：”additional“affidiation”：[]}]，“member”：“297”，“published-online”：{“date-parts”：[2023,2,18]]}、“reference”：[{“key”：“8_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”：“8_CR2”，“DOI-asserted-by”：“crossref”，“非结构性”：“Ayazo\u011flu，M.：IMDeception:分组信息提取超分辨率网络。摘自：IEEE计算机视觉和模式识别会议论文集，第756\u2013765（2022）页”，“DOI”：“10.1109\/CVPRW56347.2022.00091”}，{“key”：“8_CR3”，“DOI-asserted-by”：“crossref”，“unstructured”：“Bhat，G.，Danelljan，M.，Timofte，R.：NTIRE 2021对突发超分辨率的挑战：方法和结果。摘自：IEEE\/CVF计算机视觉和模式识别会议论文集，第613\u2013626（2021）页”，“DOI”：“10.1109\/CVPR46437.2021.00909”}，{“key”：“8_CR4”，“DOI-asserted-by”：“crossref”，“unstructured”：“Bilecen，B.B.，Fi\u015fne，A.，Ayazo\u011flu，M.：边缘设备的高效多用途基于交叉注意的图像对齐块。摘自：IEEE计算机视觉和模式识别（CVPR）研讨会论文集，第3639\u20133648（2022）页”，“DOI”：“10.1109\/CVPRW56347.2022.00408”}，{“key”：“8_CR5”，“series-title”：“计算机科学课堂讲稿”，“doi-asserted-by”：“publisher”，“first page”：“280”，”doi“：”10.1007\/978-3642-41062-8_28“，”volume-title“：”Similarity Search and Applications“，”author“：”L Boytsov“，”year“：”2013“，”unstructured“：“Boytsov，L.，Naidan，B.：工程高效非度量空间库。收录：Brisaboa，N.，Pedreira，O.，Zezula，P.（编辑）SISAP 2013。LNCS，第8199卷，第280\u2013293页。斯普林格，海德堡（2013）。https:\/\/doi.org\/10.1007\/978-3642-41062-8_28“}，{”key“：”8_CR6“，”doi-asserted-by“：”crossref“，”unstructured“：”Briechle，K.，Hanebeck，U.D.：使用快速归一化互相关进行模板匹配。In:Optical Pattern Recognition XII，vol.4387，pp.95\u2013102。国际光学与光子学学会（2001）“，”DOI“：”10.1117\/12.421129“}，{”key“：”8_CR7“，”DOI-asserted-by“：”crossref“，”unstructured“：”Bychkovsky，V.，Paris，S.，Chan，E.，Durand，F.：使用输入/输出图像对数据库学习摄影全局色调调整。摘自：IEEE计算机视觉和模式识别会议论文集（2011）“，”DOI“：”10.1109\/CVPR.2011.5995332“}，{“key”：“8_CR8”，“DOI-asserted-by”：“crossref”，“unstructured”：“Caballero，J.等人：具有时空网络和运动补偿的实时视频超分辨率。收录于：IEEE计算机视觉和模式识别会议（CVPR）论文集，第4778\u20134787页（2017）“，“DOI”：“10.1109\/CVPR.2017.304”}，{“key”：“8_CR9”，“DOI-asserted-by”：“crossref”，“unstructured”：“Chan，K.C.，Wang，X.，Yu，K.，Dong，C.，Loy，C.C.：基本VSR：在视频超分辨率及更高分辨率中搜索基本组件。收录于：IEEE计算机视觉和模式识别（CVPR）会议记录（2021）“，”DOI“：”10.1109“，{”key“：”8_CR10“，”DOI-asserted-by“：”crossref“，”unstructured“：”Chan，K.C.，Zhou，S.，Xu，X.，Loy，C.C.：BasicVSR++：通过增强传播和对准来提高视频超分辨率。arXiv预打印arXiv:2104.13371（2021）“，”DOI“：”10.1109\/CVPR52688.2022.00588“}，{”key“：”8_CR11“，”DOI-asserted-by“：”publisher“，”first page“：“7156”，”DOI:“10.1109\/TIP.2021.3101826”，“volume”：“30”，“author”：“P Chen”，“year”：“2021”，“unstructured”：“Chen，P.，Yang，W.，Wang，M.，Sun，L.，Hu，K.，Wag，S.：压缩域深度视频超分辨率。IEEE传输。图像处理。30，7156\u20137169（2021）“，“日志标题”：“IEEE Trans。图像处理。}，{“key”：“8_CR12”，“unstructured”：“Chen，T.，Kornblith，S.，Norouzi，M.，Hinton，G.：视觉表征对比学习的简单框架。摘自：国际机器学习会议（ICML），第1597\u20131607页。PMLR（2020）“}，{”key“：”8_CR13“，”doi-asserted-by“：”crossref“，”unstructured“：”Chen，X.，Wang，X.、Zhou，J.，Dong，C.：激活图像超分辨率变换器中的更多像素。arXiv预印本arXiv:2205.04437（2022）“，”doi“：”10.1109\/CVPR52729.2023.02142“}”，{“key”：“8_CR14”，“unstructure”：“”Chi，L.，Jiang，B.，Mu，Y.：快速傅里叶卷积。在：《神经信息处理系统进展》（NeurIPS），第33卷，第4479\u20134488页（2020）“｝，｛“键”：“8_CR15”，“doi断言”：“crossref”，“非结构化”：“Chu，X.，Chen，L.，Chen，C.，Lu，X.：通过重新审视全球信息聚合来改善图像恢复。arXiv预印本arXiv:2112.04491（2021）”，“doi”：“10.1007\/978-3-031-20071-7_4“}，{“key”：“8_CR16”，“doi-asserted-by”：“crossref”，“unstructured”：“Chu，X.，Chen，L.，Yu，W.：NAFSSR：使用NAFNet的立体图像超分辨率。摘自：IEEE\/CVF计算机视觉与模式识别会议论文集，第1239\u20131248（2022）页”，“doi”：“10.1109\/CVPRW56347.2022.00130”}，“{”key“：”8_CR17“，”doi-asserted-by“：”crossref“，”unstructured“：”Conde，M.V.，Choi，U.J.，Burchi，M.，Timofte，R.：Swin2SR：用于压缩图像超分辨率和恢复的SwinV2转换器。摘自：《欧洲计算机视觉会议论文集（2022）》，“DOI”：“10.1007\/978-3-031-25063-7_42”}，{“key”：“8_CR18”，“unstructured”：“Conde，M.V.，Timofte，R.等人：反向图像信号处理和RAW重建。AIM 2022挑战报告。摘自：欧洲计算机视觉大会论文集（ECCV）Workshops（2022）“}，{“key”：“8_CR19”，“doi-asserted-by”：“crossref”，“unstructured”：“Deng，J.，Dong，W.，Socher，R.，Li，L.J.，Li.，K.，Fei-Fei，L.：ImageNet:大型分层图像数据库。In:2009 IEEE Conference on Computer Vision and Pattern Recognition（CVPR），pp.248\u2013255（2009）”，“doi”：“10.1109\/CVPR.2009.5206848”}8_CR20“，”doi-asserted-by“：”crossref“，”unstructured“：”Deng，J.，Wang，L.，Pu，S.，Zhuo，C.：压缩视频质量增强的时空可变形卷积。摘自：《AAAI人工智能会议记录》，第34卷，第07期，第10696\u201310703页（2020）“，“DOI”：“10.1609\/AAAI.v34i07.6697”}，{“key”：“8_CR21”，“DOI-asserted-by”：“crossref”，“unstructured”：“Deng，X.，Yang，R.，Xu，M.，Dragotti，P.L.：单图像超分辨率中有效感知-失真权衡的小波域风格传输。收录于：IEEE计算机视觉国际会议（ICCV）论文集，第3076\u20133085页（2019）“，”DOI“：”10.1109\/ICCV.2019.00317“}，{“key”：“8_CR22”，“DOI-asserted-by”：“crossref”，“unstructured”：“Dong，C.，Deng，Y.，Loy，C.C.，Tang，X.：通过深度卷积网络减少压缩伪影。摘自：IEEE国际计算机视觉会议（ICCV）论文集，第576\u2013584页（2015）“，”DOI“：”10.1109\/ICCV.2015.73“}，{“key”：“8_CR23”，“series-title”：“计算机科学讲义”，“DOI-asserted-by”：“publisher”，“first page”：”184“，”DOI“：“10.1007\/978-319-10593-2_13”，“volume-title”：”计算机视觉\u2013 ECCV 2014“，”作者：“C Dong”，“年份”：“2014年”，“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。In：Fleet，D.，Pajdla，T.，Schiele，B.，Tuytelaars，T.（编辑）ECCV 2014。LNCS，第8692卷，第184\u2013199页。查姆施普林格（2014）。https:\/\/doi.org\/10.1007\/978-3-319-10593-2_13“}，{“key”：“8_CR24”，“doi-asserted-by”：“crossref”，“unstructured”：“Du，Z.，Liu，D.，Liu、J.，Tang，J.，Wu，G.，Fu，L.：面向高效图像超分辨率的快速和内存高效网络。摘自：IEEE\/CVF计算机视觉和模式识别会议论文集（CVPR）第853\u2013862（2022）页“，”DOI“：”10.1109\/CVPRW56347.2022.00101“}，{”key“：”8_CR25“，”series-title“：”计算机科学讲义“，”DOI-asserted-by“：”publisher“，”first page“：“293”，”DOI:“10.1007\/978-3-030-58598-3_18”，“volume-title”：“Computer Vision\u2013 ECCV 2020”，“author”：“M Ehrlich”，“year”：“2020”，“非结构化”：“Ehrlich，M.、Davis，L.、Lim，S.-N.、Shrivastava，A.：量化指导的JPEG伪影校正。收录人：Vedaldi，A.、Bischof，H.、Brox，T.、Frahm，J.-M.（编辑）ECCV 2020。LNCS，第12353卷，第293\u2013309页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-58598-3_18“}，{”key“：”8_CR26“，”doi-asserted-by“：”publisher“，”first-page“：”3“，”doi“：”10.1016\/j.neunet.2017.12.012“，”volume“：“107”，”author“：”S Elfwing“，”year“：”2018“，”unstructured“：”Elfwing，S.、Uchibe，E.、Doya，K.：强化学习中神经网络函数近似的Sigmoid加权线性单位。神经网络。107，3\u201311（2018）“，“新闻标题”：“神经网络。“}，{”key“：”8_CR27“，”unstructured“：”Google:YouTube.https:\/\/www.YouTube.com“}”，{“key”：“8_CR28”，“doi-asserted-by”：“crossref”，“unstructure”：“Gu，J.，Lu，H.，Zuo，W.，Dong，C.：带迭代核校正的盲超分辨率。摘自：IEEE\/CVF计算机视觉和模式识别会议论文集（CVPR），pp.1604\u20131613（2019）“，“DOI”：“10.1109\/CVPR.2019.00170”}，{“key”：“8_CR29”，“DOI-asserted-by”：“crossref”，“unstructured”：“Gu，S.，Lugmayr，A.，Danelljan，M.，Fritsche，M“，”DOI“：”10.1109\/ICCVW.2019.00435“}，{”issue“：”3“，”key“：”8_CR30“，”DOI-asserted-by“：”publisher“，”first page“：“949”，”DOI:“10.1109\/TPAMI.2019.2944806”，“volume”：“43”，“author”：“Z Guan”，“year”：“2019”，“unstructured”：“Guan，Z.，Xing，Q.，Xu，M.，Yang，R.，Liu，T.，Wang，Z.：MFQE 2.0：压缩视频多帧质量增强的新方法。IEEE传输。模式分析。机器。智力。43（3），949\u2013963（2019）“，“期刊标题”：“IEEE Trans。模式分析。机器。智力。“}，{”key“：”8_CR31“，”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：IEEE计算机视觉与模式识别会议论文集，第770\u2013778页（2016）“，”doi“：”10.1109\/CVPR.2016.90“}”，{“key”：“8_CR32”非结构化”：“Ignatov，A.、Timofte，R.、Denna，M.、Younes，A.等人：移动NPU上高效准确的量化图像超分辨率，移动AI和AIM 2022挑战：报告。摘自：《欧洲计算机视觉会议论文集（2022）》，“DOI”：“10.1109\/CVPRW53098.2021.00286”}，{“key”：“8_CR33”，“DOI-asserted-by”：“crossref”，“unstructured”：“Ignatov，A.、Timofte，R.、Kuo，H.K.、Lee，M.、Xu，Y.S.等：具有深度学习、移动AI和AIM 2022挑战的移动NPU实时视频超分辨率解决方案：报告。摘自：《欧洲计算机视觉会议论文集（2022）》，“DOI”：“10.1109\/CVPRW53098.2021.00286”}，{“key”：“8_CR34”，“DOI-asserted-by”：“crossref”，“unstructured”：“Ignatov，A.，Timofte，R.等人：深度学习、移动AI和AIM 2022挑战的移动GPU上的高效散焦效果渲染：报告。摘自：《欧洲计算机视觉会议论文集（2022）》，“DOI”：“10.1007\/978-3-031-25066-8_7”}，{“key”：“8_CR35”，“unstructured”：“Ignatov，A.、Timofte，R.等人：移动设备上的高效单图像深度估计，移动AI和AIM挑战：报告。In：《欧洲计算机视觉会议（ECCV）研讨会论文集》（2022）“}，{“key”：“8_CR36”，“unstructured”：“Ignatov，A.，Timofte，R.，et al.：在移动GPU上学习智能手机ISP与深度学习、移动AI和AIM 2022挑战：报告。In：欧洲计算机视觉（ECCV）研讨会论文（20228_CR37“，”series-title“：”计算机科学讲义“，”doi-asserted-by“：”publisher“，”first page“：”645“，”doi“：”10.1007\/978-3-030-58610-2_38“，”volume-title“：“Computer Vision\u2013 ECCV 2020”，”author“：”T Isobe“，”year“：”2020“，”unstructured“：”Isobe，T.，Jia，X.，Gu，S.，Li，S..，Wang，S，问：视频超分辨率与递归结构细节网络。收录：Vedaldi，A.，Bischof，H.，Brox，T.，Frahm，J.-M.（编辑）ECCV 2020。LNCS，第12357卷，第645\u2013660页。查姆施普林格（2020）。https:\/\/doi.org/10.1007\/978-3-030-58610-2_38“｝，｛“key”：“8_CR38”，“doi断言者”：“crossref”，“非结构化”：“Jiang，J.，Zhang，K.，Timofte，R.：实现灵活的盲JPEG伪影去除。在：IEEE\/CVF国际计算机视觉会议记录（ICCV），pp.4997\u20135006（2021）”，“doi”：“10.1109\/ICCV48922.2021.00495”｝，｛key“：”8_CR39“，”doi-asserted-by“：”crossref“，”unstructured“：”Kim，J.，Lee，J.K.，Lee和K.M.：使用深度卷积网络的精确图像超分辨率。摘自：IEEE计算机视觉和模式识别会议（CVPR）论文集，第1646\u20131654页（2016）“，”DOI“：”10.1109\/CVPR.2016.182“}，{“key”：“8_CR40”，“unstructured”：“Kingma，D.P.，Ba，J.：Adam:一种随机优化方法。摘自：国际学习表征会议（ICLR）（2015）”}8_CR41“，”doi-asserted-by“：”crossref“，”unstructured“：”K\u0131nl\u0131，F.O.，Mente\u015f，S.，\u00d6zcan，B.，Kirac，F.，Timofte，R.，et al.：AIM 2022 Instagram过滤器移除挑战：方法和结果。摘自：《欧洲计算机视觉会议论文集（2022）》，“DOI”：“10.1007\/978-3-031-25066-8_2”}，{“问题”：“11”，“关键”：“8_CR42”，“DOI-asserted-by”：“出版商”，“首页”：“2599”，“DOI:“10.1109\/TPAMI.2018.2865304”，“卷”：“41”，“作者”：“WS-Lai”，“年份”：“2018”，“非结构化”：“Lai，W.S.，Huang，J.B.，Ahuja，N.，Yang，M.H.：利用深拉普拉斯金字塔网络快速准确地进行图像超分辨率处理。IEEE传输。模式分析。机器。智力。41（11），2599\u20132613（2018）“，“期刊标题”：“IEEE Trans。模式分析。机器。智力。“}，{”key“：”8_CR43“，”doi-asserted-by“：”crossref“，”unstructured“：”Li，B.，Li，X.，Lu，Y.，Liu，S.，Feng，R.，Chen，Z.：HST：压缩图像超分辨率的分层swin变换器。In:Proceedings of the European Conference on Computer Vision（ECCV）Workshops（2022）“，”doi“：”10.1007\/978-3-031-25063-7_41“}”，{“key”：“8_CR44”，“doi-asserted-by“：”crossref“，”unstructured“：”Li，L.、Tang，J.、Chen，M.、Zhao，S.、Li，J.和Zhang，L.：多段学习：在训练阶段查找更多像素。摘自：《欧洲计算机视觉会议论文集（2022）》，“DOI”：“10.1007\/978-3-031-25063-7_34”}，{“key”：“8_CR45”，“DOI-asserted-by”：“crossref”，“unstructured”：“Li，X.，Sun，S.，Zhang，Z.，Chen，Z.：VVC帧内编码的多尺度分组密集网络。在：《IEEE\/CFF计算机视觉和模式识别研讨会论文集》（CVPRW），第158\u2013159（2020）页，“DOI”：“10.1109\/CVPRW50498.2020.00087”｝，｛“key”：“8_CR46”，“非结构化”：“Liang，J.等人：VRT:视频恢复转换器。arXiv预印本arXiv:22201.12288（2022）”｝，｛“key”：“8_CR47”，DOI断言为“：”crossref“，”非结构化”：“Liang，J.，Cao，J.、Sun，G.、Zhang，K.、Van Gool，L.、Timofte，R.：SwinIR：使用swin变换器进行图像恢复。收录于：IEEE国际计算机视觉会议论文集，第1833\u20131844（2021）页，“DOI”：“10.1109”，{“key”：“8_CR48”，“unstructured”：“Lin，Z.，et al.：Revisiting RCAN:improved training for image super-resolution”。arXiv预印本arXiv:2201.11279（2022）“}，{”key“：”8_CR49“，”DOI-asserted-by“：”publisher”，“首页”：“5981”，“DOI”：“10.1007\/s10462-022-1047-y”，“卷”：“55”，“作者”：“H Liu”，“年份”：“2022”，“非结构化”：“Liu，H.，et al.：基于深度学习的视频超分辨率：一项综合调查。Artif公司。智力。第55版，5981\u20136035（2022）。https:\/\/doi.org\/10.1007\/s10462-022-1047-y“，”journal-title“：”Artif。智力。Rev.“}，{”key“：”8_CR50“，”doi-asserted-by“：”crossref“，”unstructured“：”Liu，Z.，et al.：Swin transformer V2:Scale up capacity and resolution.In:Proceedings of the IEEE\/CVF Conference on Computer Vision and Pattern Recognition（CVPR），pp.12009\u201312019（2022）“，”doi“：”10.1109\/CVPR52688.2022.01170“}crossref“，”unstructured“：”Liu，Z.，et al.：Swin transformer：使用移位窗口的分层视觉变换器。收录于：IEEE计算机视觉国际会议（ICCV）论文集，第10012\u201310022（2021）页，“DOI”：“10.1109\/ICCV48922.2021.00986”}，{“key”：“8_CR52”，“unstructured”：“Loshchilov，I.，Hutter，F.：SGDR：带温启动的随机梯度下降。arXiv预印本arXiv:1608.03983（2016）”}Malkov，Y.A.，Yashunin，D.A.：使用分层可导航小世界图进行高效且稳健的近似最近邻搜索。CoRR abs \/1603.09320（2016）。http://\/arxiv.org\/abs\/1603.09320“}，{“key”：“8_CR54”，“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“首页”：“468”，“doi”：“10.1007\/978-3030-67070-2_28”，《volume-title》：“Computer Vision\u2013 ECCV 2020 Workshops”，“author”：“Y Pang”，“年份”：“2020”，“非结构化”：“Pang，Y.，et al.：FAN：真实图像超分辨率的频率聚合网络。收录：Bartoli，A.，Fusiello，A.（编辑）ECCV 2020。LNCS，第12537卷，第468\u2013483页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-67070-2_28“}，{“问题”：“1”，“密钥”：“8_CR55”，“doi-asserted-by”：“出版商”，“首页”：“249”，“doi”：“10.1109\/TIP.2015.2499698”，“卷”：“25”，“作者”：“V Papyan”，“年份”：“2015”，“非结构化”：“Papyan，V.，Elad，M.：多尺度基于补丁的图像恢复。IEEE Trans.image Process.25（1），249\u2013261（2015）“，”journal-title“：”IEEE Trans。图像处理。“}，{”key“：”8_CR56“，”doi-asserted-by“：”crossref“，”unstructured“：”Park，T.，Liu，M.Y.，Wang，T.C.，Zhu，J.Y.：空间自适应规范化的语义图像合成。摘自：IEEE计算机视觉与模式识别会议论文集，第2337\u20132346（2019）页”，“doi”：“10.1109\/CVPR.2019.00244”}，“{”key“：“8_CR57”，“doi-asserted-by“：”crossref“，”unstructured“：”秦，X，朱，Y，李，C，王，P，程，J：CIDBNet：用于JPEG压缩图像超分辨率的连续交互双分支网络。摘自：《欧洲计算机视觉会议论文集（2022）》，“DOI”：“10.1007\/978-3-031-25063-7_28”}，{“key”：“8_CR58”，“DOI-asserted-by”：“publisher”，“unstructured”：“Rota，C.，Buzzelli，M.，Bianco，S.，Schettini，R.：基于深度学习的视频恢复：综合调查。Artif.Intell.Rev.（2022年）https:\/\/doi.org/10.1007\/s10462-022-10302-5“，“doi”：“10.1007\/s10462-022-10302-5”}，｛“key”：“8_CR59”，“doi断言者”：“crossref”，“非结构化”：“Sajjadi，M.S.，Scholkopf，B.，Hirsch，M.:EnhanceNet：通过自动纹理合成实现单图像超分辨率。在：IEEE国际计算机视觉会议（ICCV）论文集，pp.4491\u20134500（2017）“，“DOI”：“10.1109\/ICCV.2017.481”}，{“key”：“8_CR60”，“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。In:IEEE国际计算机视觉会议论文集，pp.4539\u20134547（2017）”，“DOI:”10.1109\/ICCV.2017.486“}，{“key”：“8_CR61”，“doi-asserted-by”：“crossref”，“unstructured”：“Tao，X.，Gao，H.，Liao，R.，Wang，J.，Jia，J.：详细展示深度视频超分辨率。摘自：IEEE国际计算机视觉会议（ICCV）论文集，pp.4472\u20134480（2017）”，“doi”：“10.1109\/ICCV.2017.479”}，}“key:”8_CR62“，”doi-asserted-by“：”crossref“，”unstructured“：”Timofte，R.，Agustsson，E.，Van Gool，L.，Yang，M.H.，Zhang，L.：NTIRE 2017单图像超分辨率挑战：方法和结果。收录于：IEEE计算机视觉和模式识别研讨会会议记录，第114\u2013125页（2017）“，”DOI“：”10.1109\/CVPRW.2017.150“}，{“key”：“8_CR63”，“DOI-asserted-by”：“crossref”，“unstructured”：“Timofte，R.、Rothe，R.和Van Gool，L.：提高基于示例的单幅图像超分辨率的七种方法。摘自：IEEE计算机视觉和模式识别会议论文集，第1865\u20131873页（2016）“，“DOI”：“10.1109\/CVPR.2016.206”}，{“key”：“8_CR64”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wang，X.，Chan，K.C.，Yu，K.，Dong，C.，Change Loy，C.：EDVR：增强可变形卷积网络的视频恢复。收录：IEEE计算机视觉与模式识别（CVPR）研讨会论文集（2019）“，”DOI“：”10.1109“，”CVPRW.2019.00247“}，{“key”：“8_CR65”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wang，X.，Yu，K.，Dong，C.，Loy，C.C.：通过深度空间特征变换恢复图像超分辨率中的真实纹理。收录于：IEEE计算机视觉和模式识别会议（CVPR）论文集，第606\u2013615页（2018）“，“DOI”：“10.1109\/CVPR.2018.00070”}，{“key”：“8_CR66”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wang，X.等：ESRGAN：增强超分辨率生成对抗网络。摘自：《欧洲计算机视觉研讨会（ECCVW）会议记录》（2018），“DOI”：“10.1007\/978-3-030-11021-5_5”}，{“key”：“8_CR67”，“DOI-asserted-by”：“crossref”，“unstructured”：“Xu，Y.，Gao，L.，Tian，K.，Zhou，S.，Sun，H.：用于视频压缩伪影减少的非局部ConvLSTM。摘自：《IEEE计算机视觉国际会议论文集》，2019年10月，“DOI”：“10.1109\/ICCV.2019.00714”}，{“key”：“8_CR68”，“DOI-asserted-by”：“crossref”，“unstructured”：“Yamac，M.，Ataman，B.，Nawaz，A.：KernelNet：盲超分辨率核估计网络。收录于：IEEE计算机视觉和模式识别研讨会（CVPRW）会议记录，第453u2013462（2021）页，“DOI”：“10.1109”，{“key”：“8_CR69”，“DOI-asserted-by”：“crossref”，“unstructured”：“Yang，R.、Mentzer，F.、Gool，L.V.、Timofte，R.：学习分级质量和重复增强的视频压缩。在：《IEEE\/CFF计算机视觉与模式识别会议论文集》（CVPR），第6628\u20136637页（2020），“DOI”：“10.1109\/CVPR4600.2020.00666”｝，｛“key”：“8_CR70”，“DOI断言”：“crossref”，“非结构化”：“Yang，R.，Sun，X.，Xu，M.，Zeng，W.：用于增强压缩视频的质量门控卷积LSTM。摘自：IEEE多媒体与博览会（ICME）国际会议记录，第532\u2013537页。IEEE（2019）“，”DOI“：”10.1109\/IME.2019.00098“}，{“key”：“8_CR71”，“DOI-asserted-by”：“crossref”，“unstructured”：“Yang，R.，Timofte，R.等：NTIRE 2021压缩视频质量增强挑战：数据集和研究。摘自：IEEE\/CVF计算机视觉与模式识别会议（CVPR）研讨会（2021）论文集”，“DOI”：“10.1109\/CVPRW53098.2021.00076“}，{“key”：“8_CR72”，“doi-asserted-by”：“crossref”，“unstructured”：“Yang，R.，Timofte，R.等：NTIRE 2021压缩视频质量增强挑战：方法和结果。摘自：IEEE\/CVF计算机视觉与模式识别会议（CVPR）研讨会（2021）”，“doi”：“10.1109\/CVPRW53098.2.021.00076”}，}“key“：”8_CR73“，”unstructured“：”Yang，R.，Timofte，R.等：AIM 2022对压缩图像和视频超分辨率的挑战：数据集、方法和结果。摘自：《欧洲计算机视觉会议（ECCV）研讨会论文集》（2022）“}，{“key”：“8_CR74”，“doi-asserted-by”：“crossref”，“unstructured”：“Yang，R.、Timofte，R.等：NTIRE 2022对压缩视频超分辨率和质量增强的挑战：数据集、方法和结果。收录于：IEEE计算机视觉与模式识别（CVPR）研讨会论文集（2022）“，”DOI“：”10.1109“，”CVPRW53098.2021.00076“，”{“issue”：“7”，”key“：”8_CR75“，”DOI-asserted-by“：”publisher“，“first page”：“2039”，“DOI”：“10.1109”TCSVT.2018.2867568“，”volume“：“29”，”author“：”R Yang“，”year“：”2018“，”unstructured“：”Yang，R.，Xu，M.，Liu，T.，Wang，Z.，Guan，Z.：提高HEVC压缩视频的质量。IEEE传输。循环。系统。视频技术。29（7），2039\u20132054（2018）“，“期刊标题”：“IEEE Trans。循环。系统。视频技术。}，{“key”：“8_CR76”，“doi-asserted-by”：“crossref”，“unstructured”：“Yang，R.，Xu，M.，Wang，Z.：使用可伸缩卷积神经网络增强解码端HEVC质量。摘自：IEEE多媒体与博览会（ICME）国际会议论文集，第817\u2013822页。IEEE（2017）“，”DOI“：”10.1109\/IMCE.2017.8019299“}，{“key”：“8_CR77”，“DOI-asserted-by”：“crossref”，“unstructured”：“Yang，R.，Xu，M.，Wang，Z.，Li，T.：压缩视频的多帧质量增强。摘自：IEEE Computer Vision and Pattern Recognition（CVPR）会议记录，pp.6664\u20136673（2018）”，“DOI”：“10.1109\/CVPR.2018.00697”}，{“key”：“8_CR78”，“doi-asserted-by”：“crossref”，“unstructured”：“Yoo，J.，Ahn，N.，Sohn，K.A.：重新思考图像超分辨率的数据增强：综合分析和新策略。摘自：IEEE计算机视觉和模式识别会议论文集，第8375\u20138384页（2020）”，“doi”：“10.1109\/CVPR42600.2020.00840”}，{“key”：“8_CR79”，“doi-asserted-by”：“crossref”，“unstructured”：“Zamir，S.W.，Arora，A.，Khan，S.，Hayat，M.，Khan，pp.5728\u20135739（2022）“，“DOI”：“10.1109\/CVPR52688.2022.00564”}，{“key”：“8_CR80”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhang，K.，Liang，J.，Van Gool，L.，Timofte，R.：为深盲图像超分辨率设计实用退化模型。摘自：IEEE国际计算机视觉会议论文集（ICCV）第4791\u20134800（2021）页“，“DOI”：“10.1109\/ICCV48922.2021.00475”}，{“问题”：“7”，“关键字”：“8_CR81”，“DOI-asserted-by”：“publisher”，“首页”：“3142”，“DOI:”10.1109\/TIP.2017.2662206“，“卷”：“26”，“作者”：“K Zhang”，“年份”：“2017”，“非结构化”：“Zhang，K.、Zuo，W.、Chen，Y.、Meng，D.、Zhang、L.：超越高斯去噪器：深度CNN的残差学习用于图像去噪。IEEE传输。图像处理。26（7），3142\u20133155（2017）“，“期刊标题”：“IEEE Trans。图像处理。“}，{”key“：”8_CR82“，”series-title“：”计算机科学讲义“，”doi-asserted-by“：”publisher“，”first page“：“294”，”doi“：”10.1007\/978-3-030-01234-2_18“，”volume-title“：“Computer Vision\u2013 ECCV 2018”，”author“：”Y Zhang“，”year“：”2018“，”unstructured“：”Zhang，Y.，Li，K.，Li，K.，Wang，L.，Zhong，B.，Fu，Y.：使用非常深的残差通道注意力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“}，{”key“：”8_CR83“，”doi-asserted-by“：”crossref“，”unstructured“：”Zhang，Y.，Tian，Y.“，Kong，Y.、Zhong，B.，Fu，Y.：图像超分辨率的剩余稠密网络。摘自：IEEE计算机视觉与模式识别会议（CVPR）论文集，第2472\u20132481页（2018）“，”doi“：”10.1109\/CVPR.2018.00262“}，{“key”：“8_CR84”，“doi-asserted-by”：“crossref”，“unstructured”：“Zheng，M.等人：视频恢复两阶段框架的渐进式训练。摘自：IEEE\/CVF计算机视觉和模式识别（CVPR）研讨会论文集，第1024\u20131031（2022）页”，“doi”：“10.1109\/CVPRW56347.2022.00115”}]，“容器标题“：[“计算机科学讲义”，“计算机视觉\u2013 ECCV 2022研讨会”]，“原标题”：[]，“链接”：[{“URL”：“https:\/\/link.springer.com\/content/pdf\/10.1007\/978-3-031-25066-8_8”，“内容类型”：“未指定”，“内容版本”：“vor”，“预期应用”：“相似性检查”}]，“存放”：{“日期部分”：[[2024,3,7]]，”日期-时间”：“2024-03-07T13:18:10Z”，“时间戳”：1709817490000｝，“分数”：1，“资源”：｛“主要”：｛“URL”：“https://link.springer.com\/10.1007\/978-3-031-25066-8_8”｝，“副标题”：[]，“短标题”：[]，“已发布”：｛“日期部分”：[[2023]]]｝，“国际标准图书编号”：[“9783031250651”，“97830312500668”]，“引用次数”：84，“URL”：“http:\/\/dx.doi.org/10.1007\/978-3-031-25066-8_8“，”关系“：{}，”ISSN“：[”0302-9743“，”1611-3349“]，”ISSN-type“：[{”value“：”0302-7743“、”type“:”print“}、{”value“：”1611-33049“、”类型“：”electronic“}]、”subject“：【】、”published“：{”date-parts“：【2023年】}、”assertion“：【{”value“：“2023年2月18日”、“订单”：1、“名称”：“first_online”、“标签”：“first online”，“组”：{“名称”：“章节历史”，“标签”：“章历史”}}，{“value“：”ECCV“，”order“：1，”name“：”conference_acrombior“，”label“：”conference缩写“，”group“：order“：3，”name“：”conference_city“，”label“：”会议城市“，”group“：“：”会议年份“，”组“：{“name”：“ConferenceInfo”，“label”：“会议信息”}}，{“value”：“2022年10月23日”，“order”：7，“name”:“Conference_start_date”，”label“：“会议开始日期”，“group”：{”name“：“ConfenceInfo”group“：{”name“：”ConferenceInfo“，”label“：”会议信息“}}，{”value“：”17“，”order“：9，”name“:”Conference_number“，“label”：“会议编号”，“group”：{“name”：“ConferenceInformo”，“lable”：“conferenceInformation”}，，{“value”：“eccv2022”，“order”：10，“name”:“Conference_id”，“table”：”会议id“，”group“:{”name:“ConfernceInfo”，“标签”：“会议信息“}}，{“value”：“https:\/\/eccv2022.ecva.net\/”，“order”：11，“name”：“Conference_url”，“label”：“会议url”，“group”：{“name”:“ConferenceInfo”，“table”：“Conferency Information”}}同行评审信息（由会议组织者提供）“}}，{”value“：”CMT“，”order“：2，”name“：”conference_management_system“，”label“：”会议管理系统“，”group“：number_of_submissions_sent_for_review“，”label“：“发送供审阅的提交数”，“group”：{“name”：“ConfEventPeerReviewInformation”，“label”：“同行审阅信息（由会议组织者提供）”}}，{“value”：“1645”，“order”：4，“name”:“number_ of_full_papers_accepted”，“标签”：“已接受的全文数”，”group“：{”name“：”ConfEventPeerReviewInformation“，”label“：”同行评审信息（由会议组织者提供）28%-该值由等式“接受的完整论文数”/“提交供审查的论文数*100”计算，然后四舍五入为整数。“，”order“：6，”name“：”acceptance_rate_of_full_papers“，”label“：”全文接受率“，”group“：｛”name“：”ConfEventPeerReviewInformation“，”label“：”同行评审信息（由会议组织者提供）“｝｝，｛”value“：”3.21“，”order“：7，”name“：”average_number_of_reviews_per_paper“，”label“：”平均每篇论文的评审数“，”group“：｛”name“：”ConfEventPeerReviewInformation“，”label“：”Peer Review Information（由会议组织者提供）“}}，{“value”：“3.91”，“order”：8，“name”：“average_number_of_papers_per_reviewer”，“label”：“每个审阅者的平均论文数”，“group”：同行评审信息（由会议组织者提供）“}}，{“value”：“Yes”，“order”：9，“name”：“external_reviewers_involved”，“label”：“external reviewers involved”、“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行评审信息从研讨会中，367篇经评审的论文被选为出版物“，”订单“：10，”名称“：”additional_info_on_review_process“，”标签“：”评审过程的附加信息“，”组“：{”名称“:”ConfEventPeerReviewInformation“，”label“：”同行评审信息（由会议组织者提供）“}}]}}