本文提出了一种新的残差密集网络（RDN），该网络从卷积层中充分利用层级特征，引入残余密集块（RDB）来提取丰富的局部特征，并允许直接连接，通过局部特征融合，以自适应地学习全局的分层特征。用于单张超分辨率、高斯图像去噪、图像压缩伪影去除和图像去模糊等多个任务，RDN 在基准和实际数据集上均取得了优异的性能。

Dec, 2018

本文介绍了一种动态网络（DSRNet）用于图像超分辨率，它包含了残差增强块、宽增强块、特征细化块和构建块。DSRNet 不仅能提取更准确的图像超分辨率信息，还能适用于复杂场景，并具有更轻便的结构。

Oct, 2023

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

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

使用深度递归卷积神经网络的图像超分辨率方法，在递归深度增加时，不需要引入新的卷积参数，通过递归监督和跳过连接来缓解训练的困难，并在性能上显著优于之前的方法。

Nov, 2015

通过采用二值化特征融合（BFF）结构，提出了基于残差组（RG）的多尺度特征提取模块和通道注意力机制的混合残差注意网络（HRAN），能够显著提高图像超分辨率的性能。

Jul, 2019

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

本文提出了一种利用反卷积代替双三次插值，并通过循环残差块提取不同级别特征进行重建高分辨率图像的深度循环融合网络（DRFN），在大规模图片的情况下使用较少的参数即可获得更准确的图像。

Aug, 2019