本研究提出了一种自适应加权超分辨率网络（AWSRN），其中包括局部融合块（LFB）和自适应加权多尺度（AWMS）模块，以提高超分辨率任务中的效率和性能。实验结果表明，AWSRN 取得了比当前最先进的方法更好的性能，并且具有轻便的特点。

Apr, 2019

使用 “Low-Res Leads the Way”（LWay）训练框架，结合有监督预训练和自监督学习，通过提取低分辨率（LR）图像的降级嵌入，与超分辨输出合并进行 LR 重建，并利用未见过的 LR 图像进行自监督学习，从而提高图像超分辨模型对真实世界图像的适应能力和细节恢复能力，并通过离散小波变换（DWT）进一步改进对高频细节的聚焦，该方法在未见过的真实世界数据集上显著改善了超分辨模型的泛化能力和细节恢复能力，并超越了现有方法，是一种适用于实际图像超分辨应用的通用训练方案。

Mar, 2024

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

提出了一种高效、精确的单像素红外图像超分辨率模型，名为轻量级信息分离网络（LISN），通过使用浅层特征提取、深层特征提取、密集特征融合和高分辨率红外图像重建等组件，以及轻量级信息分离块（LISB）的创新引入，成功地在提高超分辨率性能和轻量级框架之间取得了最佳平衡，优于现有方法，并证实了在资源受限的红外成像应用中的实际部署的有效性。

May, 2024

本文研究了超分辨率的残差网络中宽激活对性能的重要性，提出了 WDSR 模型，并证明其在大规模图像超分辨率基准测试中具有更好的准确性和效率，同时也在 2018 年 NTIRE 单图像超分辨率挑战中取得了好成绩。

Aug, 2018

本文提出一种深度学习方法用于图像超分辨率，采用卷积神经网络直接将低分辨率图片转换为高分辨率图片，能够实现较快的速度和超强的恢复质量，扩展支持三种颜色通道同时处理。

Dec, 2014

本研究使用三阶段的工作流对深度超分辨率模型进行压缩，通过教师 - 学生知识蒸馏和新设计的蒸馏损失函数来保持恢复性能，以实现大幅降低模型大小和浮点运算量，同时保持与原始模型和其他常用超分辨率方法相媲美的竞争性超分辨率性能。

Dec, 2023

该论文研究了使用深度神经网络进行图像超分辨率（SR）的任务，并且提出了一种双重回归学习方案和轻量级双重回归压缩方法，以解决 SR 映射空间极大和模型冗余的问题。

Jul, 2022

该研究提出了一种学习统一框架下的一组 SR 预测模块的方法，这些模块专注于不同的图像局部模式和使用神经网络来进行图像超分辨率，相比其他方法在广泛范围内实现了最先进的恢复效果。

Jan, 2017

本文提出了一种新的图像超分辨率方法，该方法使用端到全部可训练的深度卷积神经网络来联合学习特征提取、上采样和高分辨率重建模块，同时在潜在特征空间中进行上采样，并通过多尺度 HR 重建以获得更精确的图像恢复，进一步实现了不同网络设计在图像超分辨率中的贡献并为未来的研究提供了更多见解。

Jul, 2016