YOLO26改进100：全网首发--c3k2模块添加RMBC模块

论文介绍摘要降低延迟是近年来超分辨率（SR）研究的热门趋势。尽管当前研究通过探索多种卷积块、注意力模块和骨干网络以充分释放卷积神经网络（ConvNet）的潜力，但实现实时性能仍具挑战性。为此，提出了PlainUSR框架，通过三项关键改进加速ConvNet以实现高效SR。框架改进在卷积块方面，通过重参数化技术将更轻量但较慢的MobileNetv3块压缩为更重但更快的普通卷积，以平衡内存访问与计算开销。在注意力模块方面，通过区域重要性图和门控机制调制输入，引入基于局部重要性的注意力，在1阶注意力延迟内实现高阶信息交互。在骨干网络方面，提出了一种平铺的U-Net结构，执行通道级判别性拆分与拼接。实验表现实验结果表明，PlainUSR相比当前最先进的延迟导向和质量导向方法，展现出极低延迟、优秀可扩展性和竞争力性能。具体而言，与最新NGswin相比，PlainUSR-L速度提升16.4倍且性能相当。技术亮点重参数化技术优化卷积块的计算效率区域重要性门控实现低阶延迟的高阶注意力通道判别操作增强U-Net的特征处理能力在速度与精度间实现显著平衡/