随着深度学习的发展，单图像超分辨率（SISR）领域也接连取得新的突破。然而，新的重建性能突破大多是建立在更深更宽的网络结构上的，巨大的参数量也就限制了这些超分辨率算法在一些资源受约束设备上的应用。那么，为了解决这个问题，一些较前沿的方法会采取递归 / 循环神经网络的方式来达成约束参数量的目的。这又带来了新的问题，如果循环次数过多，可能会带来较长的网络推理总时长，另外，即便循环次数较少，但单次循环所耗费时间较多，仍会带来较长的推理时长。所以，论文《Towards Lighter and Faster: Learning Wavelets Progressively for Image Super-Resolution》作者提出在设计循环神经网络结构时，除了关注其参数量是否能被大幅减少外，还应密切关注其推理总时长是否合理。基于此，论文作者提出了一种利用了小波变换的轻且快的超分辨率方法（WSR）。论文地址：https://dl.acm.org/doi/10.1145/3394171.3413664，代码地址：https://github.com/FVL2020/WSR https://github.com/supercaoO/WSR。