本文介绍了一种使用 Charbonnier Loss 函数构建内容损失，并将其与提出的感知损失和对抗性损失相结合的超分辨率感知生成对抗网络 (SRPGAN) 框架，能够更好地重建具有高频细节和清晰边缘的高分辨率图像。与其他现有模型相比，该模型在大多数基准测试中都能取得更高的结构相似性指数 (SSIM) 分数。

Dec, 2017

通过渐进式训练和学习流程，使用生成式对抗网络的方法逐步提升图像的超分辨率，该方法的重点在于其多尺度的设计，能够在高放大因子下有更好的表现。

Apr, 2018

本文提出了 SRGAN 框架，通过引入对抗性损失和感知损失函数，成功应用 GAN 进行图像超分辨率，能够生成 4 倍放大因子下的自然真实图像。大量实验和 MOS 测试证明 SRGAN 在视觉效果上具有显著的优势。

Sep, 2016

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

本文提出了一种新的单图像超分辨率 (SISR) 框架，该框架采用了适用于每个区域的最佳目标以生成整体区域的高分辨率输出，并在五个基准测试中取得了优异的结果。

Nov, 2022

本文提出了一种神经架构搜索方法，将神经架构搜索和生成对抗网络与最近的感知超分辨率相结合，将小型感知超分辨率模型的效率推向极致，适用于末端设备。该方法搜索生成器和鉴别器的结构，优于现有方法，可以让感知 SR 模型比 SRGAN 快 26.4 倍，同时保持较高的质量。

Jul, 2020

本文提出了一种基于 GAN 方法的图像超分辨率算法，通过梯度信息作为额外的结构先验，以结构保留的方式减少回复的图像中的不良结构畸变，并引入可学习的神经结构提取器（NSE）来寻找更丰富的局部结构和提供更强的超分辨率监督。实验结果表明，该方法优于当前基于感知的 SR 方法。

Sep, 2021

本研究提出了一种基于 CycleGAN 和 GAN 框架的超分辨率方法，能够在真实世界的低分辨率与高分辨率图像转换中，保持数据分布的连续性，表现出较高的超分辨率效果。

Sep, 2020

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

本研究提出了一种结构保留超分辨率的方法，利用图像的梯度图来指导恢复，同时使用梯度损失和图像空间损失函数，帮助生成网络更加注重几何结构。实验结果表明，该方法在恢复结构的同时生成了自然的高清图片，并且在感知度和峰值信噪比等指标上表现出色。

Mar, 2020