The Ninth NTIRE 2024 Efficient Super-Resolution Challenge Report

本文全面回顾了NTIRE 2024挑战赛，重点关注了高效单图像超分辨率（ESR）解决方案及其结果。该挑战的任务是基于低分辨率和相应高分辨率图像对将输入图像放大4倍。主要目标是开发网络，优化各个方面，如运行时间、参数和FLOPs，同时仍然保持DIV2K_LSDIR_valid数据集上约26.90 dB和DIV2K_LSDIR_test数据集上26.99 dB的峰值信噪比（PSNR）。此外，该挑战赛有4个赛道，包括主赛道（总体表现）、子赛道1（运行时间）、子赛道2（FLOPs）和子赛道3（参数）。在主赛道中，考虑了所有三个指标（即运行时间、FLOPs和参数计数）。主赛道的排名是基于所有其他子赛道得分的加权总和计算的。在子赛道1中，评估了提交的实际运行时间性能，并使用相应的分数确定排名。在子赛道2中，考虑了FLOPs的数量。根据相应的FLOPs计算得分以确定排名。在子赛道3中，考虑了参数的数量。根据相应的参数计算得分以确定排名。 RLFN被设置为效率测量的基准。该挑战赛共有262个注册参与者，34个团队提交了有效的解决方案。他们评估了高效单图像超分辨率的最新技术。为了促进挑战的可重复性，并使其他研究人员能够建立在这些发现的基础上，验证的解决方案的代码和预训练模型可在https://github.com/Amazingren/NTIRE2024_ESR/上公开获取。

NTIRE 2024挑战旨在解决高效单图像超分辨率问题，即如何在保持峰值信噪比的情况下，优化运行时间、参数和FLOPs等方面，将输入图像的放大倍数提高至4倍。

论文提出了一种基于深度学习的解决方案，通过对低分辨率图像和对应的高分辨率图像进行训练，实现对输入图像的超分辨率处理。同时，论文针对NTIRE 2024挑战的4个子任务，分别考虑运行时间、FLOPs和参数数量等指标，提出了相应的评价方法。

论文通过对262个参赛者和34个队伍的实验结果进行分析，得出了当前高效单图像超分辨率领域的最新研究成果。此外，论文还公开了代码和预训练模型，便于其他研究人员进行复现和进一步研究。

与本论文相关的研究包括：1）基于深度学习的高效单图像超分辨率算法研究，如《Learning Enriched Features for Real Image Restoration and Enhancement》；2）超分辨率挑战赛的相关研究，如《NTIRE 2021 Challenge on Real-World Image Super-Resolution: Methods and Results》。