本文提出了一种名为 C2-Matching 的方法，用于通过引入高分辨率参考图像增强低分辨率输入图像。该方法解决了输入和参考图像之间的尺度、旋转和分辨率差异等挑战，并在基准测试 CUFED5 数据集上比现有的 Ref-SR 方法表现出更高的性能，同时还表现出在大尺度和旋转变换方面的稳健性。同时本文贡献了一个名为 WR-SR 的数据集，模拟实际使用场景。

Jun, 2021

提出了基于 SRWarp 框架的单图超分辨率方法，能够在任意目标分辨率下进行图像变换，通过自适应变形层和多尺度混合等新颖公式，实现灵活和多样化的图像编辑。

Apr, 2021

该研究提出了一种使用参考图像进行高保真图像超分辨率的新方法，针对双摄像头超分辨率进行了重点研究，其利用空间对齐操作推广了标准的基于补丁的特征匹配方法。进一步探索了 RefSR 的一种有前途的应用：双摄像头超分辨率，并构建了由智能手机主摄像头和长焦摄像头的 146 个图像对组成的数据集。此外，为了弥合现实世界图像和训练图像之间的领域差距，该研究提出了一种自我监督的领域自适应策略。对数据集和公共基准的广泛实验表明，该方法在定量评估和视觉比较方面均显著优于现有最优方法。

Sep, 2021

本研究提出了一种基于多任务学习的框架，通过引入全局边界上下文和残留上下文来提升图像恢复中结构细节的保留，其在多个标准基准测试中表现出比其他基于卷积神经网络的 SR 方法更高的恢复质量和计算效率。

Jul, 2017

本文提出了一种引用图像超分辨率 (RefSR) 的深度学习模型，借鉴图像风格化的思想，通过在神经空间进行多级匹配，实现了从参考图像中自适应地转移纹理，有效地提高了超分辨率的性能，并建立了参考图像超分辨率通用研究的基准数据集。

Mar, 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

本文提出了一种基于注意机制的纹理转换神经网络（TTSR），采用 DNN 可学习的纹理提取器、相关嵌入模块、用于纹理传输的硬注意力模块，并且结合 LR 和 Ref 图像进行联合特征学习，从而实现图像的纹理恢复。经过广泛实验，TTSR 在定量和定性评估上都取得了显著改进。

Jun, 2020

利用双镜头进行超分辨率图像重建，首先通过全局和局部变形将参考图像与低分辨率图像对齐，然后利用无核匹配策略完成图像配准，解决了分辨率差异和保持一致性的问题，并通过构建数据集验证了方法的有效性。

Dec, 2023

本文提出了基于卷积神经网络的超分辨率解决方案，即 GWAInet，用于对由另一个未约束的高分辨率人脸图像引导的人脸图像进行 8x 超分辨率，该方法不需要面部关键点进行训练，具有很强的鲁棒性，并可以以均匀的方式产生周围面部区域的精细细节，其可生成具有照片般逼真的图像。

Jun, 2019

本文提出 MASA 网络用于参考图像超分辨率 (RefSR)，其中提出了两个创新模块用于解决当前方法中存在的计算开销大、分布不一致等问题，并通过定量和定性实验验证了模型的有效性。

Jun, 2021