一、引言

1.1 研究背景

深度神经网络在各种计算机视觉任务上取得了巨大成功，但模型的计算效率始终是制约其在实际场景中部署的关键因素。特别是在目标检测领域，模型往往需要在保证精度的同时实现实时推理。

当前主流的网络架构设计往往在训练时采用复杂的多分支结构（如ResNet的残差连接、Inception的多尺度分支）来提升精度，但这些多分支结构在推理时会增加内存访问开销和计算延迟，不利于部署。

RepVGG（VGG-style Reparameterization）是清华大学于2021年提出的一种新型网络架构，其核心思想是结构重参数化（Structural Re-parameterization）：训练时使用多分支结构来获得高精度，推理时通过参数重参数化将多分支结构等价转换为单路3×3卷积，从而实现极快的推理速度。

1.2 重参数化的意义

结构重参数化技术的核心优势在于：

1. 训练-推理解耦：训练时使用复杂结构保证精度，推理时使用简单结构保证速度。
2. 硬件友好：单路3×3卷积是现代深度学习加速器（GPU、NPU、FPGA等）优化最好的算子。
3. 内存高效：多分支结构需要保存多个分支的中间结果，而单路结构可以原地计算，节省内存。
4. 灵活压缩：单路结构更容易进行剪枝、量化等模型压缩操作。