074、NPU的超分辨率模型加速：ESPCN与SRGAN
去年做智能安防项目时，客户要求在IPC（网络摄像头）端实现1080p到4K的实时超分。当时选了SRGAN，结果在RK3588的NPU上跑，单帧处理时间飙到800ms，完全没法用。后来换成ESPCN，优化后压到15ms，虽然画质不如SRGAN，但至少能跑了。这个坑让我意识到：NPU上跑超分模型，选型和优化比算法本身更重要。
超分辨率在NPU上的核心矛盾
超分模型本质上是“从低分辨率生成高分辨率”的逆问题。传统插值算法（双三次、Lanczos）在NPU上几乎没有计算量，但画质糊。深度学习超分模型效果好，但计算量爆炸——尤其是生成高分辨率特征图时，内存带宽和计算单元双双吃紧。
NPU的架构特点决定了它不适合处理“大尺度特征图上的密集计算”。大多数NPU的MAC阵列（乘累加单元）对3x3卷积优化最好，但对转置卷积（反卷积）支持很差。而超分模型偏偏大量使用转置卷积来上采样，这就成了性能瓶颈。
ESPCN：为效率而生的超分架构
ESPCN（Efficient Sub-Pixel Convolutional Neural Network）的核心思想是：不在高分辨率空间做卷积，而是在低分辨率空间提取特征，最后通过亚像素卷积（Sub-Pixel Convolution）一步完成上采样。
亚像素卷积的实现细节
亚像素卷积本质上是一个“重排操作”（Pixel Shuffle）。假设你想把H
