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

本研究提出了一种用于单幅图像超分辨率的高精度方法，利用 VGG-net 进行训练，使用20个卷积层避免过拟合，训练方法基于小滤波器，只学习残差，并使用极高的学习率。实验表明，该方法在精度上优于现有方法。

Nov, 2015

本文提出了一种新的图像超分辨率方法，该方法使用端到全部可训练的深度卷积神经网络来联合学习特征提取、上采样和高分辨率重建模块，同时在潜在特征空间中进行上采样，并通过多尺度 HR 重建以获得更精确的图像恢复，进一步实现了不同网络设计在图像超分辨率中的贡献并为未来的研究提供了更多见解。

Jul, 2016

本研究致力于加速Super-Resolution Convolutional Neural Network，并提出了一个紧凑的hourglass-shape CNN结构，以实现更快，更好的图像超分辨率，通过在网络末端添加反卷积层并缩小输入特征维度和采用更小的滤波器尺寸和更多的映射层，实现了超过40倍的速度提升和优越的恢复质量。

Aug, 2016

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

该研究提出了一种学习统一框架下的一组SR预测模块的方法，这些模块专注于不同的图像局部模式和使用神经网络来进行图像超分辨率，相比其他方法在广泛范围内实现了最先进的恢复效果。

Jan, 2017

本文介绍提出的增强型深度超分辨网络（EDSR）和多尺度深度超分辨系统（MDSR），通过深度卷积神经网络（DCNN）和残差学习等技术，去除不必要的模块，并扩展模型大小和稳定的训练过程，实现比当前现有的超分辨率方法更高的性能和不同放大因子的高分辨率图像重构，表现卓越，赢得NTIRE2017超分辨挑战。

Jul, 2017

我们提出了一种使用维度扩展策略的通用框架，使单个卷积超分辨率网络能够将模糊核和噪声级别作为输入，从而处理多种甚至是空间变异的退化，从而显着提高了实用性。在合成和真实的低分辨率图像上的广泛实验结果显示，所提出的卷积超分辨率网络不仅可以产生多个退化结果，而且计算效率高，提供了一种高效和可扩展的解决方案，适用于实际的SISR应用。

Dec, 2017

比较了三个经典和三个最近引入的具有挑战性的数据集上的30多种最先进的超分辨率卷积神经网络，提出了一种基于深度学习的超分辨率网络的分类方法，并提出了现有技术的几个缺点和未来研究方向。

Apr, 2019

通过改进的深度卷积神经网络模型，使用超分辨率重建技术和深度学习技术，以及图像特征提取和非线性映射方法，提高了低分辨率图像的主观视觉质量和重建图像的高频细节和纹理细节。

Jul, 2024