本文提出了 Laplacian Pyramid Super-Resolution Network 来逐步重建高分辨率图像的子带残差。我们的方法不需要双三次插值作为预处理步骤，从而大大减少了计算复杂度，并使用鲁棒的 Charbonnier 损失函数进行深度监督训练，取得了高质量的重建效果。我们的网络在一个前向传递过程中生成多尺度预测，从而有助于资源感知应用。在基准数据集上进行的广泛定量和定性评估表明，所提出的算法在速度和准确性方面优于现有技术方法。

Apr, 2017

介绍了一种基于 Residual Laplacian Network 的超分辨率算法，利用多尺度特征，并实现了深度监督学习和 Laplacian attention 机制， 在低分辨率，噪声低分辨率和真实历史图像基准数据集上得到了较好的视觉和准确性表现。

Jun, 2019

本文提出一种准确且轻量的深度学习网络结构用于图像超分辨率问题，该网络结构采用级联机制并在残差网络上实现，实验证明即使使用较少的参数和运算，该模型的性能与最先进的方法相当。

Mar, 2018

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

本文提出在卷积神经网络 (CNN) 中，通过 Laplacian 金字塔多分辨率重构和高分辨率特征地图的跳跃连接和乘法门来逐步优化从低分辨率地图中重构的区段边界，从而实现对需要密集像素标记的任务的高效语义分割。在 PASCAL VOC 和 Cityscapes 分割基准上实验，该方法能够实现最先进的语义分割结果。

May, 2016

本文介绍了一种轻量级网络结构（LPNet）用于图像去雨，采用高斯 - 拉普拉斯图像金字塔分解技术简化学习过程，并采用递归和残差网络结构，以不到 8K 的参数达到最先进的性能，同时讨论了 LPNet 在其他低级和高级视觉任务中的潜在价值。

May, 2018

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

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

使用神经架构搜索的多目标方法能够在以 FLOPS 为指标的量化实验中优于现有方法，以在资源受限条件下平衡模型的简单度和修复能力。

Jan, 2019