本篇论文提出了一种简单有效的基于像素替换的图像超分辨率算法，该算法使用深度神经网络估计中间高分辨率图像，并通过从低分辨率图像替换像素值来满足图像形成模型，并进行级联细化。实验结果显示，所提出的算法在图像超分辨率方面的性能优于现有的同类算法。

Aug, 2019

本文提出一种卷积神经网络，该网络的特征图在低分辨率空间中提取，使用高效的子像素卷积层将最终的低分辨率特征图升级到高分辨率输出，从而有效地将手工设计的双三次滤波器替换为针对每个特征图训练的更复杂的上采样滤波器，同时降低总体超分辨率操作的计算复杂度。该方法的实验结果表明，它在图像和视频方面的表现都比以前的基于 CNN 的方法好得多，并且速度快了一个数量级。

Sep, 2016

本文介绍了一种深度神经网络模型，用于在两个空间维度上序列预测图像像素；该模型对图像的离散概率进行建模，并在深层循环网络中使用了快速的二维循环层和残差连接，实现了比以前的最新技术更好的自然图像日志似然度分数。

Jan, 2016

通过丰富、廉价、低分辨率的卫星图像，提出一种新的条件像素合成模型，生成准确的高分辨率图像，以帮助解决高分辨率图像采集不足和成本过高等问题；该模型能够用于改善物体计数等重要应用，特别是在地理条件快速变化的地区。

Jun, 2021

为了解决超分辨率图像恢复在真实场景中的局限性，本文提出了新的数据生成管道来模拟数字相机的成像过程，并使用双卷积神经网络以及学习空间变异的颜色转换来处理原始数据，实验结果表明，在真实场景中，使用原始数据进行超分辨率图像恢复可以更好地恢复细节和清晰的结构。

May, 2019

本文研究高清晰度重建中的量化质量和感知质量之间的平衡关系，并提出了一种新的超分辨率方法，该方法结合深度网络、鉴别器网络和两个定量评分预测器网络，可以在保持传统定量性能的同时提高上采样图像的感知质量。实验结果表明，所提出的方法在量化和感知质量之间取得了良好的平衡，比现有方法更令人满意。

Sep, 2018

本文提出了一种新型的深度卷积神经网络，该网络使用内部先验来适应低分辨率图像的内部内容，并分析了其优点和缺点，在运行时间和使用内部先验的情况下，在标准数据集上比最佳结果提高了 0.1 至 0.3dB 的 PSNR，特别适合于具有重复结构或大分辨率下的图像。

Mar, 2017

本文提出一种深度学习方法用于图像超分辨率，采用卷积神经网络直接将低分辨率图片转换为高分辨率图片，能够实现较快的速度和超强的恢复质量，扩展支持三种颜色通道同时处理。

Dec, 2014

本研究提出了一种有效训练基于深度学习的超分辨率模型的方法，通过利用自动生成的高分辨率图像，仅使用一个真实图像进行训练。这种方法可自主筛选图像，从而逐步生成优化的训练数据集，提高模型的性能和可视化效果，同时维护原始生物医学图像的特性，以无须真实世界人类数据的方式训练深度神经网络。

Jun, 2023

该研究提出了一种基于自动纹理合成及感知损失的单张图像超分辨率增强方法，利用卷积神经网络实现前馈学习与对抗训练相结合，取得了高效、有效的成果。

Dec, 2016