我们提出了一种使用维度扩展策略的通用框架，使单个卷积超分辨率网络能够将模糊核和噪声级别作为输入，从而处理多种甚至是空间变异的退化，从而显着提高了实用性。在合成和真实的低分辨率图像上的广泛实验结果显示，所提出的卷积超分辨率网络不仅可以产生多个退化结果，而且计算效率高，提供了一种高效和可扩展的解决方案，适用于实际的 SISR 应用。

Dec, 2017

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

本文提出了一种更复杂但实用的退化模型，其中包括随机混合的模糊，下采样和噪声退化，以达到改善单图超分辨率方法的实用性的目的。实验结果表明，这个新的退化模型可以显著改善深度超分辨率方法的实用性，为真实的单图超分辨率应用提供了一种强有力的替代解决方案。

Mar, 2021

本研究提出了一种基于概率框架的盲超分辨率图像重建方法，针对复杂的噪声和模糊核问题，该方法采用了非独立同分布的噪声模型和一种新颖的模糊核生成器来增加模型的自由度。经过综合实验，该方法在合成数据集和真实数据集上均优于当前最先进的技术。

Jul, 2021

本文提出一种盲图像超分辨率的新方法，使用重新构建的退化模型和两个新模块，通过对内核估计和内核基于高分辨率图像恢复的改进，实现更好的准确性和视觉改进，并在多个基准测试中进行了验证。

Feb, 2022

本研究提出了一种名为 IKR-Net (迭代核重构网络) 的方法，通过使用专门的深度模型进行迭代的核和噪声估计以及高分辨率图像重建，提供了一种通用解决方法，能够处理输入低分辨率图像中任意类型的模糊和噪声，并在盲目单图像超分辨率中取得了最先进的结果，特别是对于带有运动模糊的噪声图像。

Apr, 2024

通过提出一种深度残差卷积生成对抗网络（SRResCGAN）来解决真实世界中图像修复过程缺失的问题，该网络通过对 HR 领域的像素级监督来对模型进行敌对训练，并利用残差学习和凸优化技术来最小化能量函数，我们的实验表明，该方法易于部署到其他下采样算子和移动 / 嵌入式设备上，并且能够更好地适应真实世界中的图像噪声问题。

May, 2020

利用深度学习在单图像超分辨率（SISR）方面取得了显著进展，尽管大部分现有工作假设简单且固定的降级模型，但盲目超分辨率的研究旨在改进对未知降级能力的建模，本文提出了一种更合适的训练策略利用 Dropout 来提高盲目超分辨率的模型泛化能力，同时降低 Dropout 引入的不良副作用，我们通过理论和实验分析展示了这种方法的效果，并通过调整一阶和二阶特征统计量提出了另一种简单但有效的训练策略，该方法在包括合成和真实世界场景在内的七个基准数据集上表现更好，可作为一种与模型无关的正则化方法。

Feb, 2024

本文提出一个线性组装的像素自适应回归网络用于单幅图像超分辨率，将直接 LR to HR 映射学习转化为对多个预定义滤波器基字典的线性系数回归任务，同时将此思想扩展到处理其他图像修复任务中，例如图像去噪和 JPEG 图像去块运动估计并获得先进性能。

May, 2021

该研究提出了一种针对单幅图像超分辨率问题的改进方法，通过设计闭合型矫正滤波器，针对已知内核的显著性神经网络的性能进行改善，针对未知内核，提出了一种方法来盲估计所需的矫正滤波器，并表明我们的方法优于为一般下采样内核设计的其他超分辨率方法。

Nov, 2019