Deep Back-Projection Networks (DBPN) effectively address the mutual dependencies of low- and high-resolution images through iterative up- and down-sampling layers and mutual connections, achieving state-of-the-art results in image super-resolution with large scaling factors such as 8x.

Apr, 2019

本文提出了一种基于深度学习和特征分析的超分辨率技术 Hierarchical Back Projection Network (HBPN)，采用多个 HourGlass 模块进行自底向上和自顶向下的跨尺度特征处理，并使用新的基于 Softmax 的加权重建方法进一步提高超分辨率性能。实验结果表明，该方法可以实现超分辨率问题的优异表现，并在不同尺度因子下具有更好的性能。

Jun, 2019

本文介绍了一种基于深度学习的图像放大方法，采用逐层递进的递归算法和迭代反向投影算法 (IBP) 对低分辨率图像进行放大处理，然后通过卷积网络的特征提取过程进行修正，使得该方法在较少参数的情况下能够达到最先进的效果。

Sep, 2018

本研究提出一种基于注意力机制的反向投影网络（ABPN）用于图像超分辨率，使用增强的反向投影块提高低分辨率特征残差，结合空间注意力块（SAB）学习不同层次中特征之间的交叉相关性，并加入完善后的反向投影块（RBPB）进行重建，实验结果表明该方法在定量和定性指标上均取得了最新的优秀结果。

Oct, 2019

提出了一种新颖的视频超分辨率方法，利用具有循环编码器 - 解码器模块的迭代背投影网络从连续视频帧中集成时空上下文信息，通过迭代反向投影框架，无需将帧堆叠在一起，实现对目标帧的高分辨率重建。

Mar, 2019

3D 传感器获取的点云通常稀疏且嘈杂，点云上采样是一种提高点云密度以恢复详细几何信息的方法。本文提出了一种用于点云上采样的双重背投影网络（DBPnet）。通过采用上下上的方式进行双重背投影，网络不仅对特征残差进行反投影，还对坐标残差进行反投影，从而更好地捕捉特征和空间域中的点关联性，并在均匀和非均匀稀疏点云上实现较低的重构误差。我们的方法也适用于任意上采样任务（例如 4 倍，5.5 倍）。实验结果表明，该方法在与基准点集匹配损失方面实现了最低值。此外，我们方法的成功也证明了非均匀点云不一定需要生成网络。

Jul, 2023

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

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

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

本文提出了一种新型的残差稠密网络 (RDN)，该网络通过引入残差稠密块 (RDB) 来充分利用原始低分辨率图像的层级特征，并通过局部特征融合和全局特征融合来稳定更广泛的网络培训，进而在基准数据集上展示了 RDN 相对于现有最先进的方法所取得的更高性能。

Feb, 2018