介绍了基于深度学习的单图超分辨率问题的方法和分类，其中包括了网络架构和深度学习优化目标两个方面，归纳了各种方法的局限和改进，并从各种角度展开了比较和分析，并讨论了当前挑战和未来趋势。

Aug, 2018

通过对公共数据集、评估指标和四类方法的研究以及在基准数据集上的比较，本文全面评估了基于深度学习的单个图像超分辨率（SISR）方法中类别为基于退化建模、基于图像对、基于域转换和基于自学习的 RSISR 方法在重建质量和计算效率方面的表现，并讨论了 RSISR 的挑战和未来研究方向。

Mar, 2021

本文研究使用胶囊网络进行单张图像超分辨率处理，在实验中发现胶囊网络相比传统卷积方式需要较少的层数却能达到较好的效果，证明了将胶囊网络应用于图像超分辨率问题是值得尝试的。

Oct, 2022

本文提出了一种基于 Laplacian 金字塔的核预测网络（LP-KPN）来恢复高分辨率图像，通过使用实际拍摄的 LR-HR 图像对构建 RealSR 数据集，证明了使用此数据集训练的 SISR 模型在真实场景中能够提供更好的视觉效果，且模型能够适应不同的相机设备。

Apr, 2019

本文提出了一种基于自相似性的方法，利用从输入图像中提取的大组相似图块来解决单幅图像超分辨率问题，并评估了其性能，成果表明在不使用任何外部数据的情况下，所提出的算法在各种缩放因子的测试数据集上，比当前的非 CNN 方法有了提高，并且在某些数据集上的提高达到 1dB 以上，对于高采样率（x4）的数据，所提出的方法与最新的基于深度卷积网络的方法表现相似。

Apr, 2017

本文介绍了一种使用 Charbonnier Loss 函数构建内容损失，并将其与提出的感知损失和对抗性损失相结合的超分辨率感知生成对抗网络 (SRPGAN) 框架，能够更好地重建具有高频细节和清晰边缘的高分辨率图像。与其他现有模型相比，该模型在大多数基准测试中都能取得更高的结构相似性指数 (SSIM) 分数。

Dec, 2017

该研究使用 Residual Dense Networks（RDN）架构并分析了其组件的重要性，通过利用原始低分辨率（LR）图像的分层特征，该架构实现了卓越的性能，具有四个主要块，包括作为核心的残留密集块（RDB），并通过使用各种损失指标的研究和分析评估了体系结构的有效性，将其与其他不同体系结构和组件的最先进模型进行比较。

Apr, 2023

本文提出了一种基于语义图像细节增强的图像超分辨率方法，其中利用文本和图像模态的多模态融合学习来提高图像的语义准确性和视觉质量。该方法通过粗到细的过程生成文本描述匹配的高分辨率图像细节，实验证明该方法具有显著的效果。

Jul, 2022

本文提出了一种基于线性过参数化的卷积神经网络的超高清图像重建模型，其在六个基准数据集上取得了类似或更好的图像质量，需要比现有模型少 2 倍至 330 倍的操作，适用于受限制的硬件并可用于实际移动设备上进行超高清图像重建。

Mar, 2021

本文提出了一种硬件限制感知、极其轻量级、量化鲁棒、实时超分辨率网络 (XLSR)，它是一种受到 root 模块的启发，旨在解决单图像超分辨率问题的建模方法，并在 Div2K 验证集上取得了超过 VDSR 的成果，在 2021 年移动 AI 实时单图像超分辨率挑战赛中得胜。

May, 2021