← 返回 JSSC 论文列表JSSC 2025第3期Other
An Efficient Deep-Learning-Based Super-Resolution Accelerating SoC With Heterogen
提出一种高效深度学习超分辨率加速SoC，用于移动平台图像重建。
无
超分辨率SoC深度学习移动平台图像重建
▸创新点1：8位浮点与定点混合精度异构加速架构（方法创新）。该架构通过结合8位浮点（FP）和定点（FXP）混合精度，优化了超分辨率任务的计算效率，显著降低了能耗，同时保持了高图像重建质量。与传统的16位定点系统相比，能耗降低了81%。
▸创新点2：基于分块的层次化缓存子系统（系统创新）。该子系统采用分块策略和层次化缓存设计，实现了低能耗和小面积成本的层融合，有效减少了内存访问开销，提升了系统整体性能。
▸创新点3：异构L1数据生命周期优化缓存（电路创新）。该缓存设计通过考虑数据生命周期的异构性，优化了片上内存访问的能效，进一步降低了系统能耗，提升了数据处理效率。
▸创新点4：能效优化的超分辨率加速SoC（系统创新）。该SoC在65nm工艺下实现，面积仅为10.0mm²，能够在保持高重建质量的同时，以0.92mJ/帧的能耗实现107fps的4倍超分辨率图像生成，能效比传统NPU提升了2.6倍。
Abstract
This article presents an energy-efficient accelerating
system-on-chip (SoC) for super-resolution (SR) image reconstruc-
tion on a mobile platform. With the rise of contactless commu-
nication and streaming services, the need for SR is growing.
As one of the most basic low-level image processing algorithms,
SR can reconstruct high-quality images from low-quality images
which are noisy, compressed, or with damaged pixels. However,
a massive amount of computation and considerable precision of
pixel