本文提出了基于可微分的优化层和学习的亲和力图形成的新型超分辨率方法，该方法与先前的引导超分辨率深层架构不同，采用源图像作为约束而非仅仅是输入预测。实验表明，该方法在多个数据集上具有很好的效果。

Mar, 2022

本文提出了一种将指导性先验信息引入深度超分辨率模型的方法，使用联合隐式函数 (JIIF) 来表示目标图像领域，并使用图注意力机制在联合深度隐式函数中学习插值权重，该方法在三个公共基准测试中显着优于现有方法。

Jul, 2021

本文介绍了零样本文本引导下的开放领域图像超分辨率探索问题，提出了两种零样本文本引导超分辨率的方法，涉及生成过程、扩散模型和恢复方法，实现了匹配语义意义并保持数据一致性的多样解决方案，优化了极端超分辨率任务的恢复质量、多样性和可探索性。

Mar, 2024

该论文提出了一个像素递归超分辨率模型，可综合提高图像的分辨率并增强其真实感；该模型能够表示多模态条件分布，使用 PixelCNN 结构定义自然图像的先验知识并联合优化条件卷积网络，保持了照片的真实感。

Feb, 2017

本文提出了一种新颖的方法，将有向各向异性扩散技术和深度卷积神经网络相结合，实现了超分辨率深度图像的指导。该方法以前人的研究为基础，在边缘转移 / 增强性，与现代网络的上下文推理能力和严格的校准步骤的保证下，在三个常用的超分辨率指导深度准则下展现了前所未有的成果。

Nov, 2022

本篇论文提出了一种简单有效的基于像素替换的图像超分辨率算法，该算法使用深度神经网络估计中间高分辨率图像，并通过从低分辨率图像替换像素值来满足图像形成模型，并进行级联细化。实验结果显示，所提出的算法在图像超分辨率方面的性能优于现有的同类算法。

Aug, 2019

这篇论文研究了超分辨率，以减少像素数量和加速蒙特卡洛渲染算法。通过利用高分辨率辅助特征来指导低分辨率渲染的超分辨率，我们开发了一个跨模态 Transformer 网络，该网络由一个辅助特征分支和一个低分辨率渲染分支组成，通过融合高分辨率辅助特征和相应的低分辨率渲染来实现。我们还设计了残差密集连接的 Swin Transformer 组来学习提取代表性特征，以实现高质量的超分辨率。实验证明，我们的辅助特征引导的超分辨率方法在生成高质量渲染方面优于超分辨率方法和蒙特卡洛去噪方法。

Oct, 2023

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

本文通过解决凸优化问题，展示了如何利用傅里叶采样和半定规划方法以无限精确度解决超分辨率问题，应用到一维的情况中，也可以超分辨率地解决具有分段平滑函数的问题，并且该理论和方法是鲁棒的，能够处理噪声。

Mar, 2012

提出了一种简单而有效的引导上采样方法，通过优化上采样误差的低分辨率像素的索引和权重来表示高分辨率图像中的每个像素，从而更好地保留细节效果，并抑制出血和模糊等伪影，该方法适用于交互式图像编辑和实时高分辨率视频处理。

Jul, 2023