RCENet: Recursive Concatenation and Enhancement Network for Real-Time Super-Resolution
Notice bibliographique
Résumé
Recent advancements in edge AI have increased demand for real-time vision models that run efficiently on edge devices. However, their architectural heterogeneity in terms of compute structure, memory bandwidth, and supported tasks requires a vision model optimized for each edge device. Therefore, we present the Recursive Concatenation and Enhancement Network (RCENet), a lightweight and efficient Single Image Super-Resolution (SISR) model optimized for Google Tensor Processing Units (TPUs). To optimize the architecture for Google TPUs, we first conduct a detailed analysis of computational characteristics and runtime behavior to inform the network design. As a result, RCENet leverages hardware-efficient operators and quantization-friendly modules. We further propose Operator-Selective Quantization (OSQ) combined with Quantization-Aware Distillation (QAD), tailored to the TPU architecture, to enable deployment on integer-only inference engines without compromising perceptual quality. Extensive experiments on standard benchmarks show that RCENet delivers competitive visual quality with significantly reduced latency and power consumption. In particular, RCENet achieves more than 70 FPS on Google TPUs, while maintaining visual quality comparable to that of much more complex models. Our method achieved second place on the Quantized Super-Resolution track of the 2025 Mo-bileAI (MAl) Challenge, demonstrating its effectiveness for real-world deployment. Our project page is available at https://rlghksdbs.github.ioIRCENet/
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».