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

这篇论文系统地回顾了最近盲目图像超分辨率的研究进展，提出了一个分类法以区分现有的方法，并对常用数据集和以前的比赛进行了总结。同时，通过对合成和真实测试图像的详细分析，对不同方法的优缺点进行了比较。

Jul, 2021

提出了一个名为 Real-RawVSR 的实际原始视频超分辨率 (Raw Video Super-Resolution) 数据集，包含了 450 个不同场景下的低分辨率和高分辨率视频对，并利用两个 DSLR 相机和一个分束器进行采集，同时提出了一种基于两种 RGGB 和原始 Bayer 模式交替使用的两支分支网络，以生成对应的高分辨率 sRGB 图像。实验结果表明，该方法在处理是原始和 sRGB 输入的真实和合成视频上优于基准方法。

Sep, 2022

本研究调查了单图像超分辨率的经典方法和基于深度学习的方法，将这些方法分类为四类，并介绍了 SR 的问题，提供了图像质量指标，参考数据集和 SR 的挑战。其中包括 EDSR，CinCGAN，MSRN 等最先进的图像 SR 方法。

Feb, 2021

本文综述了近年来深度学习在图像超分辨率中的广泛应用，重点介绍了监督式、非监督式、以及领域特定的图像超分辨率技术。同时讨论了公开可用的基准数据集和性能评估指标等重要问题，并提出了未来需要进一步研究的方向和问题。

Feb, 2019

本文提出了新的自监督学习方法 (SelfDZSR)，用于从采用双倍相机变焦观察的真实世界图像中进行超分辨率重建，并以高分辨率图像为监督信息，以匹配其低分辨率版本的特征。

Mar, 2022

该研究提出了一种使用参考图像进行高保真图像超分辨率的新方法，针对双摄像头超分辨率进行了重点研究，其利用空间对齐操作推广了标准的基于补丁的特征匹配方法。进一步探索了 RefSR 的一种有前途的应用：双摄像头超分辨率，并构建了由智能手机主摄像头和长焦摄像头的 146 个图像对组成的数据集。此外，为了弥合现实世界图像和训练图像之间的领域差距，该研究提出了一种自我监督的领域自适应策略。对数据集和公共基准的广泛实验表明，该方法在定量评估和视觉比较方面均显著优于现有最优方法。

Sep, 2021

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

在这篇论文中，我们针对智能手机的参考图像超分辨率（RefSR）处理中的两个挑战性问题进行了研究，即如何选择适当的参考图像和如何以自监督的方式学习 RefSR。同时，我们提出了一种针对真实场景下的 RefSR 的自监督学习方法，通过观察双重和多重摄像头放大的图像。我们的方法在实验中表现出更好的定量和定性性能，并提供了可用的代码。

May, 2024

该论文提出了一种随机洗牌方法来模拟真实的降级因素并在合成的数据集上训练深度神经网络，使其在真实世界的视频超分辨率方面表现更好。结果显示，相较于 RealBasicVSR 在 NRQM 方面提高了 7.1％，相较于 BSRGAN 提高了 3.34％。同时，该论文也提出了一个新的包含高分辨率真实视频的数据集，可作为基准测试的共同参照。

May, 2023