本文研究从噪声带限数据中恢复点源的叠加。我们仅仅了解一个物体在由某个截止频率限制的低频段的频谱，通过将频谱外推到更高频率来获得更高分辨率的估计。我们证明只要源之间相隔大于截止频率的两倍的倒数，求解一个简单的凸优化问题就可以在稳定的意义下产生一个估计，其中高分辨重建与真实值之间的逼近误差与噪声水平乘以超分辨因子（SRF）的平方成比例。

Nov, 2012

本研究针对在闭合的半代数领域内的多维超分辨率问题进行探究，提出了一种新的半定规划（SDP）形式的 1 最小化解决方案，并展示了可以在维度大于 2 的情况下，精确地解决超分辨率问题。

Feb, 2015

该研究提出了一种新颖的向导超分辨率方法，将问题视为像素级向导图到源图像域的映射，使用无监督学习和多层感知机来参数化映射函数，达到超分辨率的效果，并在深度图和树高图两个任务中均优于其他基线算法。

Apr, 2019

本文提出了一种基于 Gibbs 分布的条件模型，其充分统计量由深度卷积神经网络给出，用于图像超分辨率问题，并证明了该方法可在其他具有挑战性的不适定问题中使用，例如音频带宽扩展。

Nov, 2015

该论文提出了一个像素递归超分辨率模型，可综合提高图像的分辨率并增强其真实感；该模型能够表示多模态条件分布，使用 PixelCNN 结构定义自然图像的先验知识并联合优化条件卷积网络，保持了照片的真实感。

Feb, 2017

本研究提出了一个新的非参数性盲超分辨率方法，该方法包括使用卷积一致性约束来指导估计的非盲学习型超分结果，并对高清图像和模糊核进行异常的 bi-l0-l2 - 范数规则化，最后比较实验证明，该方法在核估计准确性和图像超分辨率质量方面都表现优异。

Mar, 2015

使用卷积神经网络 (CNN) 的最佳实践完成从 RGB 图像到对应大小的高光谱图像的直接映射，实现了超分辨率的高光谱成像，优于现有技术水平。

Mar, 2017

本研究提出了一种 Single Image Super-Resolution 的解决方案，可以在保证低复杂度的前提下，通过训练数据来学习一组 filter，使得对于一张不在训练集中的图片，可以生成更高分辨率、更高质量的图片；同时该方法还包括了一种有效的图像锐化算法，可以作为预处理步骤来提高下采样放大滤波器的学习效果。

Jun, 2016

本文提出了一种可行的空时视频超分辨率（STVSR）框架，以解决鲁棒的视频采集中模糊、模糊和低分辨率等挑战，提供优异的定量测量和视觉质量表现。

Jul, 2022

应用于计算流体力学（CFD）中的粗网格模拟因计算效率高而常常缺乏精确性，然而将传统的超分辨率应用于这些模拟面临着从高分辨率图像进行下采样和真实模拟低分辨率物理之间的本质差异。本研究提出了一种针对基于偏微分方程（PDE）问题量身定制的超分辨率的新定义。我们使用粗网格模拟数据作为输入，并预测细网格模拟结果，采用了注入物理学意义的 UNet 升采样方法。通过在 2D-CFD 问题中的不连续性检测、甲烷燃烧和工业热交换器的污秽等多个领域的应用，我们验证了该方法的有效性。我们的方法实现了细网格解的生成，避免了传统模拟，从而在计算节省和忠实于原始真实结果方面产生显著影响。通过训练中使用多样的边界条件，我们进一步确立了该方法的鲁棒性，为其在工程和科学 CFD 求解器中的广泛应用铺平了道路。

Nov, 2023