通过引入扩散模型来生成和增强低分辨率图像中的细节，本文提出了一种用于基于参考的超分辨率的细节增强框架（DEF），能够促进对齐，同时避免参考图像的影响，实验结果表明该方法在视觉效果上具有优势同时保持可比较的数值结果。

May, 2024

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

该研究提出了一种被称为参考零样例超分辨 (RZSR) 的方法，该方法结合了参考超分辨 (RefSR) 和零样例超分辨 (ZSSR) 两种策略，利用内部参考数据集和非局部注意力模块，从图像自身提取纹理丰富、高频细节的参考图像块，训练出一种图像特定的超分辨网络，在超分辨任务中具有出色表现。

Aug, 2022

本文提出了一种基于语义图像细节增强的图像超分辨率方法，其中利用文本和图像模态的多模态融合学习来提高图像的语义准确性和视觉质量。该方法通过粗到细的过程生成文本描述匹配的高分辨率图像细节，实验证明该方法具有显著的效果。

Jul, 2022

单图像超分辨率 (SISR) 的研究旨在从低分辨率观察中重建出高分辨率图像。本研究探索了图像自相似性作为新的研究方向，并提出了一种名为参考量化的图像超分辨率方法 (RefQSR)，该方法使用高比特量化的几个代表性补丁，并将它们作为剩余补丁低比特量化的参考。实验结果证明了 RefQSR 在各种 SISR 网络和量化方法上的有效性。

Apr, 2024

本文提出了一种高效的大比例尺率高清晰度画作超分辨率算法，其中使用了小波纹理损失和退化损失来转移更多的纹理信息。同时，还使用高清晰度画作数据集 PaintHD 和其他方法的比较来证明本算法的有效性。

Dec, 2019

通过对公共数据集、评估指标和四类方法的研究以及在基准数据集上的比较，本文全面评估了基于深度学习的单个图像超分辨率（SISR）方法中类别为基于退化建模、基于图像对、基于域转换和基于自学习的 RSISR 方法在重建质量和计算效率方面的表现，并讨论了 RSISR 的挑战和未来研究方向。

Mar, 2021

参考图像超分辨率的关键词是 Reference-Based image super-resolution、attention mechanisms、deep architectures、texture match 和 Super Resolution。该方法通过引入注意机制，从参考高分辨率图像中转移高分辨率纹理，提高低分辨率图像的质量。对于每个低分辨率补丁，我们使用更高效的内存使用率进行深层搜索以减少图像补丁数量，并找到 $k$ 个最相关的纹理匹配，从而获得准确的纹理匹配。通过使用简单的残差架构和梯度密度信息来增强超分辨率结果，显示了有竞争力的指标结果：PSNR 和 SSMI。

Oct, 2023

本研究提出了一种新的基于无监督图像转换与监督超分辨率相结合的框架，该框架在 NTIRE 2017 和 2018 质量挑战数据集上取得了良好的性能，同时可以在失真与感知质量之间保持灵活平衡。

Oct, 2019

本文提出了一种基于 Laplacian 金字塔的核预测网络（LP-KPN）来恢复高分辨率图像，通过使用实际拍摄的 LR-HR 图像对构建 RealSR 数据集，证明了使用此数据集训练的 SISR 模型在真实场景中能够提供更好的视觉效果，且模型能够适应不同的相机设备。

Apr, 2019