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

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

本文提出了一种双向的结构一致性网络，以无监督的方式训练降噪和超分辨率网络，通过生成对抗网络模拟现实世界的 LR 图像降级过程，结合现实世界的 HR 图像，然后利用这些生成的 LR 图像训练 SR 重建网络实现超分辨率。实验表明，该算法在合成和真实场景的超分辨率任务中性能表现都优秀。

Dec, 2018

本文提出了一种基于多任务学习和条件性目标实现调节损失权值的单个可调节超分辨率模型，通过一组权重定义为样式控制器来优化超分辨率模型，并在 Residual-in-Residual Dense Block 上装备空间特征转换层来适应目标。实验表明，该模型能在条件控制下生成不同的超分辨率图像，并且输出质量优秀，性能优于现有的超分辨率方法。

Jan, 2022

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

本文介绍了可探索超分辨率的任务，并提出了一个框架，包括带有神经网络后端的图形用户界面，允许编辑 SR 输出以探索丰富的 HR 对低分辨率输入的解释。该框架的核心是一个新颖的模块，可以包装任何现有的 SR 网络，并在其下采样时保证其 SR 输出与 LR 输入精确匹配，同时可以用于处理与网络训练不同的模糊核。

Dec, 2019

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

本文提出一个全新的基于上下文信息的可训练视频超分辨率网络，结合了局部网络和上下文网络，通过利用多个低分辨率帧中的信息和之前预测的高分辨率帧的特征来保持时域连续性，从而实现高质量视频超分辨率结果的实时生成，结果表明本文方法在准确性、效率和视觉质量等方面均优于现有方法。

Sep, 2019

本研究调查了单图像超分辨率的经典方法和基于深度学习的方法，将这些方法分类为四类，并介绍了 SR 的问题，提供了图像质量指标，参考数据集和 SR 的挑战。其中包括 EDSR，CinCGAN，MSRN 等最先进的图像 SR 方法。

Feb, 2021

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