企业官网建设流程全解析

ICML 2026

ICML 2026 于 2026 年 7 月 6 日至 11 日在韩国首尔 COEX Convention & Exhibition Center 举行，主会时间为 7 月 7 日至 9 日。

本文基于 ICML 2026 Virtual Papers、OpenReview 页面、arXiv、项目主页和公开代码仓库，汇总标题或摘要中与超分辨率（Super-Resolution, SR）明确相关的接收论文。标题完全不含 Super-Resolution / SR 的论文统一放入“其他 / 相关任务”中，作为相关方法或下游应用补充。

说明：Paper 链接优先采用 arXiv；未检索到 arXiv 的论文使用 OpenReview。Blog / 讲解链接仅在检索到相对稳定的单篇解读、项目讲解页或论文笔记时列出；未检索到则省略该字段。

图像超分

生成式 / 扩散 / VAR

1. Hierarchical Image Tokenization for Multi-Scale Image Super Resolution

• Paper: https://arxiv.org/abs/2605.14891
• Keywords: Multi-Scale ISR, Visual Autoregressive Model, Hierarchical Image Tokenization, DPO Regularization
• Blog: ICML 2026 论文笔记：Hierarchical Image Tokenization for Multi-Scale Image Super Resolution
• Features: 提出 HIT 层次化图像 tokenizer，将 VAR 的逐尺度残差量化范式改造成可输出多尺度结果的 ISR 模型；不依赖外部数据或奖励模型，约 300M 参数即可在单次前向中完成多倍率超分。
• Team: Queen Mary University London; Samsung AI Center Cambridge

2. One-Step Residual Shifting Diffusion for Image Super-Resolution via Distillation

• Paper: https://arxiv.org/abs/2503.13358
• Code: https://github.com/Daniil-Selikhanovych/RSD
• Keywords: One-Step Diffusion, Residual Shifting Diffusion, Distillation, Real-World SR
• Blog: Literature Review - One-Step Residual Shifting Diffusion
• Features: 针对 ResShift 做一步蒸馏，使学生网络生成的结果能够逼近教师扩散模型；在感知指标上超过原教师模型，同时显著降低参数量、显存和训练成本。
• Team: Huawei Noah’s Ark Lab; MBZUAI; Applied AI Institute; Kandinsky Lab 等

3. Coloring the Noise: Adversarial Sobolev Alignment for Faithful Image Super Resolution

• Paper: https://arxiv.org/abs/2605.23264
• Code: https://github.com/wafer-bob/ASASR
• Keywords: Faithful SR, Sobolev Alignment, Adversarial Preference Optimization, Spectral Consistency
• Features: 提出 ASASR，将生成式 SR 中的噪声转移核改造成符合自然图像频谱衰减的 colored noise，并用 Sobolev 空间中的对抗负样本降低幻觉和频谱错配。
• Team: 中国科学院自动化研究所; 快手; 天津大学

4. Joint Geometric and Trajectory Consistency Learning for One-Step Real-World Super-Resolution

• Paper: https://arxiv.org/abs/2602.24240
• Code: https://github.com/Blazedengcy/GTASR
• Keywords: One-Step Real-ISR, Consistency Model, Trajectory Alignment, Structural Rectification
• Features: 提出 GTASR，通过 Trajectory Alignment 修正一致性模型中的漂移，并用 Dual-Reference Structural Rectification 强化结构一致性，在低延迟下提升真实世界图像超分质量。
• Team: 电子科技大学; 清华大学; 南京大学

5. Enhanced Latent-Space Adversarial Training for Super-Resolution

• Paper: OpenReview
• Project: 作者主页条目
• Keywords: Real-World SR, Latent-Space Adversarial Training, HYPIR++, Sparse Neighbor Attention
• Features: 提出 HYPIR++，去除退化移除编码器和噪声增强以保留 LR 保真线索，并在 latent space 中引入 ConvNeXt 与 patch discriminator；同时缩短文本序列、用稀疏邻域注意力支持高分辨率直接处理。
• Team: SIAT CAS; University of Macau; University of Hong Kong; Tencent ARC Lab; UCAS

量化 / 高效部署

1. Condition Number Based Low-Bit Quantization for Image Super-Resolution

• Paper: https://arxiv.org/abs/2502.15478
• Code: https://github.com/Kai-Liu001/CondiQuant
• Keywords: Post-Training Quantization, Low-Bit SR, Condition Number, Activation Quantization
• Features: 提出 CondiQuant，将激活量化误差与权重矩阵条件数联系起来，通过近端梯度迭代降低量化敏感性，在不增加计算开销的情况下提升 2-4 bit SR 模型精度。
• Team: 上海交通大学; 华南理工大学

2. Q-DiT4SR: Exploration of Detail-Preserving Diffusion Transformer Quantization for Real-World Image Super-Resolution

• Paper: https://arxiv.org/abs/2602.01273
• Code: https://github.com/xunzhang1128/Q-DiT4SR
• Keywords: DiT Quantization, Real-ISR, H-SVD, Mixed Precision, PTQ
• Features: 面向 DiT 真实世界图像超分提出专门 PTQ 框架，包含层次化 SVD 和方差感知时空混合精度；W4A4 配置下模型尺寸约降至 1/5.8，计算量减少超过 60 倍。
• Team: ETH Zurich; 上海交通大学; 华南理工大学

视频超分

1. InfVSR: Toward Consistency-Driven Streaming Generative Video Super-Resolution

• Paper: https://arxiv.org/abs/2510.00948
• Keywords: Streaming VSR, One-Step Diffusion, Autoregressive Generation, Long-Form Video
• Features: 将 VSR 重构为自回归的一步扩散范式，通过 causal DiT、rolling KV-cache 和跨 chunk 分布匹配支持长视频流式推理，相比 MGLD-VSR 最高可达 58 倍加速。
• Team: ByteDance; Meituan; 上海交通大学

2. LiteVSR: Enabling Cross-Domain Fine-Grained Detail Generation in Light-Weight Transformers for Video Super-Resolution

• Paper: https://arxiv.org/abs/2606.09250
• Project: https://yucao16.github.io/LiteVSR/
• Keywords: Lightweight VSR, Frozen DiT, State-Aware Adapter, Cross-Domain Detail Generation
• Features: 冻结预训练视频 Diffusion Transformer，仅训练轻量 State-Aware Adapter；利用低质视频中的结构和运动信息对齐生成器嵌入空间，在单张 A100 约 12 GPU-hours 下完成训练。
• Team: Huawei Technologies; MVP Lab; Queen Mary University of London

3. LSGQuant: Layer-Sensitivity Guided Quantization for One-Step Diffusion Real-World Video Super-Resolution

• Paper: https://arxiv.org/abs/2602.03182
• Code: https://github.com/zhengchen1999/LSGQuant
• Project: https://zheng-chen.cn/LSGQuant/
• Keywords: One-Step Diffusion VSR, DiT Quantization, Dynamic Range Adaptive Quantizer, Layer Sensitivity
• Features: 面向一步扩散 VSR 的低比特量化，设计 DRAQ 适配高动态范围视频 token，结合层敏感度估计、VOLTS 与 QAO，使量化模型接近全精度模型性能。
• Team: 上海交通大学; 华南理工大学

高光谱 / 光谱超分

1. SSDCN: Spatial-Spectral Dual-Clustering-based Network for Hyperspectral Image Super-resolution

• Paper: OpenReview
• Code: https://github.com/ZhangXuRan66/SSDCN-Spatial-Spectral-Dual-Clustering-based-Network-for-Hyperspectral-Image-Super-resolution
• Keywords: Hyperspectral Image SISR, Spatial-Spectral Clustering, Low-Rank Bases, Linear Complexity
• Features: 用空间-光谱双聚类替代点对点注意力，以线性复杂度捕获全局非局部关系；金字塔式层次重建和中间监督降低高光谱 SISR 中的误差累积。
• Team: 江西财经大学; 金华职业技术大学; 天津工业大学

2. Phy-CoSF: Physics-Guided Continuous Spectral Fields Reconstruction and Spectral Super-Resolution for Snapshot Compressive Imaging

• Paper: https://arxiv.org/abs/2605.13583
• Code: https://github.com/PaiDii/Phy-CoSF
• Keywords: CASSI, Spectral Super-Resolution, Continuous Spectral Fields, Implicit Neural Representation
• Features: 将深度展开网络与隐式神经表示结合，连接离散波长训练和连续光谱渲染，可在任意目标波长生成高保真高光谱图像。
• Team: 吉林大学; NTU; 电子科技大学; 澳门大学; 西湖大学

科学计算 / 物理场超分

1. PODiff: Latent Diffusion in Proper Orthogonal Decomposition Space for Scientific Super-Resolution

• Paper: https://arxiv.org/abs/2605.03399
• Code: https://github.com/OnkaraJadhav/PODiff
• Keywords: Scientific SR, POD, Latent Diffusion, Uncertainty Quantification, Downscaling
• Features: 在 Proper Orthogonal Decomposition 系数空间中做条件扩散，利用 POD 模态的正交和方差排序结构降低像素空间扩散成本，并输出可解释的不确定性估计。
• Team: University of Western Australia

2. Semi-Supervised Neural Super-Resolution for Mesh-Based Simulations

• Paper: https://arxiv.org/abs/2605.09284
• Code: https://github.com/jykim-git/SuperMeshNet
• Keywords: Mesh-Based Simulation, Semi-Supervised SR, MPNN, Complementary Learning
• Features: 提出 SuperMeshNet，在少量 LR-HR 配对数据和大量无配对 LR 数据上联合训练互补 MPNN；在网格 PDE 仿真上减少约 90% HR 监督数据需求。
• Team: Seoul National University; Yonsei University

其他场景

1. HIVE-3D: Hierarchical Voxel Enhancement for High-Quality 3D Scene Generation

• Paper: OpenReview
• Keywords: 3D Scene Generation, Voxel Super-Resolution, Hierarchical Component Tree
• Features: 面向单图 3D 场景生成，将粗场景分解为层次组件树，并对图像与体素逐组件做 coarse-to-fine 超分，以生成高分辨率 3D 场景。
• Team: 浙江大学; CAD&CG 国家重点实验室; 中国移动江西虚拟现实科技

其他 / 相关任务

本部分收录标题不直接包含 Super-Resolution / SR，但摘要中明确将超分作为能力、下游任务、评测任务或替代方案讨论的论文。

1. Trainable Nonexpansive Denoisers for Contractive Image Reconstruction

• Paper: OpenReview
• Code: https://github.com/arghyasinha/nectr
• Keywords: Image Reconstruction, Nonexpansive Denoiser, Contractive Iteration, Super-Resolution
• Features: 构造全局非扩张的可训练去噪器，并与成像算子结合形成可证明收敛的重建机制；在超分、去模糊等逆问题中验证有效性。
• Team: Indian Institute of Science, Bengaluru

2. Norm× \times×Direction: Restoring the Missing Query Norm in Vision Linear Attention

• Paper: OpenReview
• Keywords: Linear Attention, Query Norm, Vision Transformer, Token-Intensive SR
• Features: 提出 NaLaFormer，用 query norm 和 direction 分解恢复线性注意力表达力；在 70K+ token 的超分任务中报告 92.3% 峰值显存下降。
• Team: 哈尔滨工业大学; 哈尔滨工业大学深圳; 鹏城实验室; University of Queensland

3. Lottery Prior: Randomized Neural Compression for Zero-Shot Inverse Problems

• Paper: OpenReview
• Project: https://eedavidwu.github.io/LotteryPrior/
• Keywords: Zero-Shot Inverse Problems, Neural Compression, Randomized Prior, Noisy Super-Resolution
• Features: 用轻量随机网络和压缩式最大似然求解零样本逆问题，在去噪、带噪超分、修复等任务中作为训练外先验使用。
• Team: Imperial College London; Amazon Scholar; Zhejiang University

4. Adaptive Physics Transformer with Fused Global-Local Attention for Subsurface Energy Systems

• Paper: https://arxiv.org/abs/2602.11208
• Keywords: Neural Operator, Subsurface Simulation, Adaptive Mesh Refinement, Super-Resolution
• Features: 提出 APT，将图编码器的局部高分辨率异质特征与全局注意力结合，在地下能源系统仿真中展示稳健的超分能力，并能直接学习自适应网格细化数据。
• Team: Stanford University; Imperial College London; LLNL

5. One-shot Conditional Sampling: MMD meets Nearest Neighbors

• Paper: https://arxiv.org/abs/2509.25507
• Keywords: Conditional Sampling, MMD, Nearest Neighbors, Image Super-Resolution
• Features: 提出 CGMMD，将条件采样建模为无对抗的直接最小化问题；在图像去噪、图像超分等后处理任务中验证一前向采样能力。
• Team: Carnegie Mellon University; MBZUAI; University of Chicago

6. Trajectory Stitching for Solving Inverse Problems with Flow-Based Models

• Paper: https://arxiv.org/abs/2602.08538
• Keywords: Flow-Based Models, Inverse Problems, Trajectory Stitching, Super-Resolution
• Features: 将 flow 生成轨迹拆成中间 latent 状态序列，通过局部动力学约束和数据一致性优化降低反传整条轨迹的内存成本；评测包含图像超分和 CT。
• Team: University of Cambridge; University College London; DESY; Ben-Gurion University of the Negev

7. Solving Inverse Problems with Flow-based Models via Model Predictive Control

• Paper: https://arxiv.org/abs/2601.23231
• Keywords: Flow-Based Models, Model Predictive Control, Training-Free Guidance, Super-Resolution
• Features: 将 flow 模型条件生成表述为一系列 MPC 子问题，在不完整反传生成轨迹的情况下求解图像修复、去模糊、超分等逆问题，并扩展到 FLUX.2 等大模型。
• Team: DESY; King’s College London; University College London

8. Resolution as a Direction: Vector-Panning Feature Alignment for Cross-Resolution Re-Identification

• Paper: https://arxiv.org/abs/2510.00936
• Keywords: Cross-Resolution ReID, Feature Alignment, Resolution Direction, SR Alternative
• Features: 指出 ReID 特征空间中存在稳定的 HR-LR 分辨率方向，提出 VPFA 将 LR 特征沿该方向平移到 pseudo-HR 表示；相比显式 SR 管线更轻量。
• Team: Beihang University; Qingdao University

9. FunPhase: A Periodic Functional Autoencoder for Motion Generation via Phase Manifolds

• Paper: https://arxiv.org/abs/2512.09423
• Keywords: Motion Generation, Phase Manifold, Functional Autoencoder, Motion Super-Resolution
• Features: 用函数空间解码替代离散时间解码，可在任意时间分辨率采样平滑人体动作轨迹；下游应用包含动作超分和局部身体补全。
• Team: Autodesk Research; Institute of Science and Technology Austria

10. Di-BiLPS: Denoising induced Bidirectional Latent-PDE-Solver under Sparse Observations

• Paper: https://arxiv.org/abs/2605.13790
• Keywords: PDE Solver, Sparse Observation, Latent Diffusion, Zero-Shot Super-Resolution
• Features: 将 VAE、latent diffusion 和对比学习结合，在极稀疏观测下求解正向和反向 PDE 问题；因预测定义在连续时空域，可支持零样本超分。
• Team: Harbin Institute of Technology; Harbin Institute of Technology, Shenzhen; University of Cambridge

总结

从 ICML 2026 超分辨率相关论文来看，主要趋势如下：

1. 一步生成式 SR 继续升温：RSD、GTASR、HYPIR++、InfVSR 等工作都在减少扩散或一致性模型的推理步数，核心目标是保留生成式细节的同时降低延迟。
2. 量化和轻量部署成为主线：CondiQuant、Q-DiT4SR、LSGQuant、LiteVSR 分别从低比特 PTQ、DiT 量化、视频 token 动态范围和冻结大模型适配入手，说明 SR 研究正在更明确地面向可部署系统。
3. VAR / tokenization 进入图像超分：HIT 将视觉自回归模型的多尺度 token 表达用于 ISR，体现出从扩散主导向多类生成先验并行发展的趋势。
4. 视频 SR 更关注长序列与流式处理：InfVSR 和 LiteVSR 都强调长视频、跨域细节生成和训练/推理成本，VSR 已经从短片段重建转向真实长视频工作流。
5. SR 正在跨出自然图像边界：PODiff、SuperMeshNet、Phy-CoSF、SSDCN、Di-BiLPS 等工作将超分用于科学场、网格仿真、高光谱、压缩光谱成像和 PDE 求解，体现 SR 作为通用“低成本观测到高分辨率状态恢复”问题的扩展。
6. 相关逆问题方法仍是重要补充：Lottery Prior、MS-Flow、MPC-Flow、Nonexpansive Denoisers 等标题不直接写 SR，但把超分作为核心评测任务之一，说明 SR 仍是生成式逆问题方法的重要试金石。

总体而言，ICML 2026 的 SR 相关工作相比传统视觉会议更偏“机器学习方法驱动”：关注生成先验、压缩部署、可证明重建、科学机器学习和跨模态/跨领域泛化，而不仅是自然图像 PSNR/SSIM 提升。

参考资料

1. ICML 2026 Virtual Papers
2. ICML 2026 Dates and Deadlines
3. ICML 2026 OpenReview
4. arXiv

（注：文档部分内容由 AI 生成；论文、代码、项目页、作者单位和讲解链接基于 ICML Virtual、OpenReview、arXiv、GitHub 与公开网页检索整理。）