通过引入多个反馈连接和深度残差网络，本文提出了一个基于深度学习的图像超分辨率方法，可以有效地使用多个高层特征，提高低层特征的上下文信息。实验证明，这种方法在定量和定性的评估中都优于现有的超分辨率方法。

Jul, 2019

本文提出了 Dual-State Recurrent Network (DSRN) 来进行图像超分辨率重建。与现有单状态的 SR 不同的是，DSRN 基于一种精简的序列记忆结构，在 LR 和 HR 信号两者之间进行交互记忆和信息反馈，可以有效提升 SR 的预测精度，降低内存消耗。

May, 2018

该研究提出了一种基于双递归子网络的立体图像超分辨率和视差估计反馈网络 (SSRDE-FNet)，在低分辨率空间利用跨视图信息，通过高分辨率特征聚合产生更精细的 SR 结果，并提出了 HR Disparity Information Feedback（HRDIF）机制，可将 HR disparity 的信息反馈到前期以进一步细化 SR 图像重构，从而提高了系统的性能。

Jun, 2021

本文提出了一种双向的结构一致性网络，以无监督的方式训练降噪和超分辨率网络，通过生成对抗网络模拟现实世界的 LR 图像降级过程，结合现实世界的 HR 图像，然后利用这些生成的 LR 图像训练 SR 重建网络实现超分辨率。实验表明，该算法在合成和真实场景的超分辨率任务中性能表现都优秀。

Dec, 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

本文介绍了一种基于卷积神经网络的图像超分辨率方法 ——FSRCNN，该方法使用极小的网络参数达到了良好的效果，并使用一种新颖的蒸馏框架，通过教师和学生网络进行高分辨率的重建，大大提升了网络性能。

Jul, 2020

本研究提出了一种基于迭代优化的新型迭代超分辨率网络（ISRN）来解决单幅图像超分辨率问题，使用特征归一化和残差结构来提高网络表示性能，并在多项测试基准中展示了其在恢复图像结构信息和图像质量提高方面的卓越表现。

May, 2020

本文提出了将盲超分辨率预测机制与深度超分辨率网络相结合的框架，通过在 SR 网络特征映射中插入预测向量的元数据插入块，我们展示了最先进的对比预测方案和迭代预测方案在 RCAN 和 HAN 等高性能 SR 网络中成功地结合使用的结果，实现了比非盲和盲超分辨率网络更强大的超分辨率性能。

Nov, 2022

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

本研究介绍了一种基于增强型 SRGAN 的超分辨率网络 RFB-ESRGAN，包括 Receptive Field Block、多尺度信息提取、交替上采样方法和集成式模型等四个方面，经实验结果验证，该方法在 NTIRE 2020 Perceptual Extreme Super-Resolution Challenge 中表现最佳。

May, 2020