红外超分，Transformer（HAT）擅长长距离依赖，Mamba擅长线性复杂度高效建模——那能不能两个都用上？NTIRE 2026遥感红外超分第四名I2WM&JNU给出了肯定答案。他们采用HAT-L和MambaIRv2-L双模型独立训练，推理时HAT-L用TLC增强局部细节，MambaIRv2-L用自集成提升稳定性，最后加权融合。

本文介绍了一种结合对比学习与知识蒸馏的图像超分辨率重建方法，旨在解决现有深度学习方法参数量大、计算开销高的问题。通过从教师网络中蒸馏中间特征图的统计信息来训练轻量级学生网络，并引入对比损失函数利用正负样本约束学习过程。实验结果表明，该方法在保持重建性能的同时显著降低了模型复杂度，为资源受限设备上的超分应用提供了有效解决方案。

NTIRE2026首届遥感红外图像超分，冠军方案关注“数据质量”，而亚军XJRes选择在“模型架构”上做文章。他们提出了一种四分支异构集成框架：两个PFT分支——通过渐进聚焦注意力机制跨层传递注意力图，实现高效稀疏注意力聚合；两个HAT分支——融合通道注意力和窗口自注意力，结合重叠交叉注意力模块增强跨窗口特征交互。

使用指南挂载谷歌云盘from google.colab import drivedrive.mount('/content/drive')安装依赖!pip install torch==1.7.0 torchvision!pip install opencv-python确认连到GPUimport tensorflow as tfdevice_name = tf.test.gpu_device_n