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

该研究探讨了一种使用感知损失函数训练卷积神经网络进行图像转换任务的方法，在图像风格迁移和单一图像超分辨率方面获得了较好的实验结果。

Mar, 2016

通过集成梯度自由进化算法与基于梯度的 Adam 算法，构建了一个新的优化器，将超分辨率中的感知和失真权衡问题转化为多目标优化问题，并通过融合网络将不同感知 - 失真偏好的最佳模型合并为一个更强大的模型，实验表明，我们的方法训练得到的感知 - 失真平衡的超分辨率模型能够在感知质量和重建保真度方面优于竞争方法。

Dec, 2023

本文提出了一种名为 SR4IR 的图像超分辨率增强方法，通过引导生成助于实现低分辨率图像处理时的满意图像识别性能的超分辨率图像。该方法使用了任务驱动感知损失来帮助超分辨率网络从专门为特定任务定制的网络中获取任务特定的知识，并通过交叉质量补丁混合和交替训练框架显著增强了任务驱动感知损失的效果。通过广泛的实验，证明了 SR4IR 在语义分割、目标检测和图像分类等特定图像识别任务中取得了出色的任务性能。

Apr, 2024

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

本研究探讨图像超分辨率如何在低分辨率图像目标检测任务中发挥积极作用，提出了一种新的框架来训练深度神经网络，通过传统检测 loss 与显式结合得到的检测 Loss 来优化超分辨率子网络，证明了任务驱动的超分辨率能显著提高各种条件和缩放因子下目标检测器在低分辨率图像上的准确性。

Mar, 2018

本文介绍了一种基于循环对抗网络的视频放大方法，利用感知损失函数来实现高质量和时域一致性的视频放大。

Jul, 2018

该研究通过开发 StereoSRQA 模型，提出了第一种感知定向的立体图像超分辨率方法，并采用 StereoSRQA 数据库为 StereoSR 模型提供准确的指导，从而提高了立体图像的感知质量和位移估计的可靠性。

Jul, 2022

本文研究高清晰度重建中的量化质量和感知质量之间的平衡关系，并提出了一种新的超分辨率方法，该方法结合深度网络、鉴别器网络和两个定量评分预测器网络，可以在保持传统定量性能的同时提高上采样图像的感知质量。实验结果表明，所提出的方法在量化和感知质量之间取得了良好的平衡，比现有方法更令人满意。

Sep, 2018

本文提出了一种基于多任务学习和条件性目标实现调节损失权值的单个可调节超分辨率模型，通过一组权重定义为样式控制器来优化超分辨率模型，并在 Residual-in-Residual Dense Block 上装备空间特征转换层来适应目标。实验表明，该模型能在条件控制下生成不同的超分辨率图像，并且输出质量优秀，性能优于现有的超分辨率方法。

Jan, 2022