0. 前言
本文介绍了PlainUSR中的核心RepMBConv模块，并将其集成到ultralytics最新发布的YOLO26目标检测算法中的C3k2模块，构建C3k2_RepMBConv创新模块，改进Backbon与Neck部分。RepMBConv 是一种基于重参数化技术的卷积块，旨在解决 MobileNetV3 中 MBConv 模块在高分辨率 SR 任务中延迟反而增加的问题。虽然 MBConv 通过深度可分离卷积大幅减少了参数量和计算量，但其更高的内存访问频率导致 I/O 瓶颈，使得实际运行速度低于普通卷积。
专栏链接：YOLO系列算法改进专栏链接
专栏文章：YOLO26改进系列 | 卷积篇、轻量化、注意力、损失函数、Backbone、SPPF、C2PSA、Neck、检测头全方面保姆级优化合集 | 同样适配YOLOv11改进！！！
目录
0. 前言
1. RepMBConv模块简介
2. RepMBConv模块原理与创新点
🧠 RepMBConv模块基本原理
🎯 RepMBConv模块创新点
3. 具体改进步骤
🍀🍀步骤1：创建C3k2_RMBC.py文件
🍀🍀步骤2：tasks.py文件修改
🍀🍀步骤3：创建YAML配置文件
🍀🍀步骤4：新建train.py文件训练模型
🍀🍀步骤5：模型结构打印结果
1. RepMBConv模块简介
降低延迟是近期超分辨率研究中一个快速发展的趋势。虽然最近的进展利用各种卷积块、注意力模块和骨干网络来释放卷积神经网络的全部潜力，但实现实时性能仍然是一个挑战。为此，我们提出了 PlainUSR，一个新颖的框架，它包含三个相关的改进以加速 ConvNet 实现高效 SR。对于卷积块，我们通过重参数化技巧将更轻但更慢的 MobileNetv3 块压缩为更重但更快的普通卷积，以平衡内存访问和计算。对于注意力模块，通过用区域重要性图和门控调制输入，我们引入基于局部重要性的注意力，以 1 阶注意力的延迟实现高阶信息交互。至于骨干网络，我们提出了一种简单的 U-Net，它在通道维度执行判别性分割和拼接。在实验阶段，PlainUSR 表现出令人印象深刻的低延迟、良好的可扩展性，以及与最先进的面向延迟和面向质量的方法相比具有竞争力的性能。特别地，与最近的 NGSwin 相比，PlainUSR-L 快 16.4 倍，同时性能具有竞争力。
原始论文：
