本研究探讨图像超分辨率如何在低分辨率图像目标检测任务中发挥积极作用，提出了一种新的框架来训练深度神经网络，通过传统检测 loss 与显式结合得到的检测 Loss 来优化超分辨率子网络，证明了任务驱动的超分辨率能显著提高各种条件和缩放因子下目标检测器在低分辨率图像上的准确性。

Mar, 2018

该论文提出通过超分辨率提高卫星图像的质量并降低成本。作者设计了一种框架以分析每个低分辨率图像补丁的区域信息内容，并明智地选择在图像上超分辨率更富有结构的区域上使用更复杂的深层模型，而在非显著区域上使用不使用深层模型的低资源密集型方法，从而在保证性能的同时降低了推断时间。

Aug, 2020

本文研究探讨了在足球领域中，超分辨率技术提高物体检测准确性的潜力。研究发现，在处理足球比赛录像时，应用先进的超分辨率图像处理技术对物体检测算法的准确性和可靠性有显著提高。通过综合性能评估，结果表明超分辨率预处理可以显著提高物体检测的准确性，特别是在低分辨率情况下。本研究对实时体育分析、球员追踪和观赛体验等方面具有重要意义，为整合超分辨率技术在足球分析和广播中的实际效益和局限性提供了实证贡献。

Jan, 2024

利用遥感和深度学习技术开展建筑物语义分割，对空间分辨率的影响进行研究，结果表明较高的空间分辨率对建筑物分割结果具有显著影响，且 0.3 米左右的成本效益最佳。

Jul, 2023

本论文提出了一种基于深度学习的多帧超分辨率方法 HighRes-net，首次使用端到端的方式学习了低分辨率图像的配准、融合和上采样等任务，并通过准确的配准和 ShiftNet 算法实现了真实卫星图像的超分辨率处理，促进了地球观测数据的应用。

Feb, 2020

本研究提出了一种无人机图像数据集，针对不同高度的低分辨率和高分辨率图像，通过对现有网络的微调和高度感知机制的引入，使得在新的领域中的超分辨率任务的性能得到提升。

Aug, 2022

本研究通过实验研究发现，训练数据对超分辨率重建性能有很大影响，特别是对于卫星图像，而一般情况下使用巴比克降采样获取的低分辨率数据不是最有效的方法，因此，改进训练数据预处理流程可能对于使超分辨率重建适用于实际应用至关重要。

Jun, 2019

通过结合超分辨率和经过修改的轻量级 YOLOv5 架构，我们提出了一种创新的方法，用于在航空影像中准确检测小型密集目标，并通过一系列数据集的评估，证明该模型在高密度遮挡条件下能够实现更好的检测结果，从而为航空影像中的目标检测领域带来显著进展。

Jan, 2024

该论文提出了一种针对超分辨率的新度量标准 CLIPScore，并使用该标准在多个数据集上评估了四种标准方法，发现生成对抗网络在语义准确性上优于传统的 L2 损失模型和现代扩散模型，同时将 CLIPScore 作为辅助损失可加快 GANs 的训练速度 18 倍，并改进输出结果，从而在世界各地的多样地理环境中得到有效的模型。

Nov, 2023

本文总结了我们参加 ICDAR2015 文本图像超分辨率比赛的入门知识。根据 ICDAR2015 TextSR 数据集和 Tesseract-OCR 3.02 系统，我们的文本图像超分辨率框架取得了胜利，使用低分辨率图像作为输入，OCR 准确性得分为 77.19％，与使用原始高分辨率图像的 78.80％相当。

Jun, 2015