将于2023年10月2日至6日在法国巴黎举行的国际计算机视觉会议（ICCV 2023, International Conference on Computer Vision）接受了学院李天瑞教授团队最新的研究成果《Boosting Single Image Super-Resolution via Partial Channel Shifting》。该论文以西南交通大学为唯一署名单位，由2021级研究生张笑铭作为第一作者（导师李天瑞、赵小乐），通讯作者为赵小乐老师。ICCV是由IEEE主办的顶级会议之一，与计算机视觉模式识别会议(CVPR)和欧洲计算机视觉会议(ECCV)并列为计算机视觉领域的三大顶级会议，中国计算机学会CCF推荐的A类会议。ICCV每两年举办一次，被公认为三大会议中级别最高的会议。此项研究获得国家自然科学基金青年科学基金项目、四川省自然科学基金青年科学基金项目等多个项目的资助。
       尽管深度学习近年来极大地促进了单幅图像超分辨重建的进步，但随着网络深度的不断加深和模型规模的不断增长，进一步提高模型性能依旧遇到了技术瓶颈。因此，通过提高特征表达的有效性来构建高效单幅图像超分辨模型是该领域的研究热点之一。本项研究提出了一种简单而通用的特征增强方法，可以有效提高模型性能。具体来说，受视频理解中时间移位的启发，所提方法沿着空间维度替换部分特征通道，以几乎零成本的开销放大有效感受野并增强特征多样性。该方法可以作为即插即用的模型组件集成到现有模型中，提高模型性能的同时无需额外的网络参数和计算开销。然而，直接使用这种方法会遇到一些问题，例如特征通道的移动方向和幅度、移动的通道数和移动通道的组合方式等。本文针对这些问题施加了一些技术限制，简化了通道偏移的模式。大量的实验表明，所提方法确实扩大了神经网络的有效感受野，增强了特征多样，为现有模型带来明显的性能提升。

       经过理论和实验的验证，该方法可以有效增强深度学习模型利用的空间信息的能力。

       并在五个基准数据集上有效提升模型的指标。

       近年来，李天瑞教授团队一直致力于人工智能领域的前沿基础理论研究和面向国家重大需求的应用研究。他们承担了20余项国家重点研发课题、国家自然科学基金等科技项目，并在PNAS、AI、IEEE TPAMI、IEEE TKDE、IEEE TPDS、IEEE TIFS、IEEE TIP、IEEE TEC、IEEE TFS、IEEE TC、IEEE/ACM ASLP、IEEE TIE、IEEE THMS、IEEE TVT、ACM TIST等国际顶级期刊上发表了研究成果。他们的研究成果还被中国科学、软件学报、计算机学报、自动化学报、电子学报、通信学报等国内顶级期刊以及AAAI、ACL、CVPR、ICCV、ICDE、ICML、IJCAI、KDD、UbiComp、WWW、ICDM、CIKM、EMNLP等国际一流会议接受发表。