通过修改 MGCP 结构为一个生成系统，加入具有控制输出细节的输入参数，提出了一个具有新颖特性的鉴别器 —— 多尺度、递归和包含一个新层以捕获自然影像的显著特征统计，并采用一种训练策略以避免重建和感知损失之间的冲突，成功在 PIRM 超分辨率挑战中取得 2nd、5th、7th 的好成绩，这在用了 281k 个参数和平均 0.2s 的处理时间之内完成功能。

Sep, 2018

本文介绍了一种基于深度学习的图像放大方法，采用逐层递进的递归算法和迭代反向投影算法 (IBP) 对低分辨率图像进行放大处理，然后通过卷积网络的特征提取过程进行修正，使得该方法在较少参数的情况下能够达到最先进的效果。

Sep, 2018

本文提出了一种基于深度学习和特征分析的超分辨率技术 Hierarchical Back Projection Network (HBPN)，采用多个 HourGlass 模块进行自底向上和自顶向下的跨尺度特征处理，并使用新的基于 Softmax 的加权重建方法进一步提高超分辨率性能。实验结果表明，该方法可以实现超分辨率问题的优异表现，并在不同尺度因子下具有更好的性能。

Jun, 2019

Deep Back-Projection Networks (DBPN) effectively address the mutual dependencies of low- and high-resolution images through iterative up- and down-sampling layers and mutual connections, achieving state-of-the-art results in image super-resolution with large scaling factors such as 8x.

Apr, 2019

本研究提出了一种基于多重网格结构的卷积神经网络，能够在不同尺度空间上操作输入和输出，实现任务的动态路由和内部注意力机制，以及通过逐级概括将上下文信息融合到网络中。在分类和语义分割等多项任务中得到了相对较好的表现表明，相对于传统的基于单一网格的卷积神经网络结构，基于多重网格的设计方案更加高效且灵活。

Nov, 2016

该研究提出了使用深度反投影网络进行超分辨率图像重建的方法，利用迭代升采样和降采样，同时考虑低分辨率输入与高分辨率输出之间的相互依赖关系，并构建了互相连接的上采样和下采样阶段来表示不同类型的图像退化和高分辨率特征，结果证明该方法在多个数据集上实现了新的最佳结果，特别是针对大比例尺的情况。

Mar, 2018

提出了一种新颖的视频超分辨率方法，利用具有循环编码器 - 解码器模块的迭代背投影网络从连续视频帧中集成时空上下文信息，通过迭代反向投影框架，无需将帧堆叠在一起，实现对目标帧的高分辨率重建。

Mar, 2019

使用多尺度双向传播的循环神经网络，提出一种解决视频去模糊的方案，并通过自行创建的真实世界数据集进行验证。

Dec, 2021

本文介绍了一种高效、可扩展的高斯过程（MSGP）的框架及其初步结果，该框架采用了 Kronecker 乘积和 Toeplitz 矩阵的分解并采用循环矩阵的近似，将 GP 的时间复杂度降至 O (n)，测试点的预测时间复杂度降至 O (1)。

Nov, 2015

本论文研究了深度神经网络的过拟合问题和多重网格结构在其中的应用，提出了一种多重网格启发式体系结构框架，可以在维度间利用多重网格结构来实现线性权重复杂度缩放和大幅减少权重数量，进而在网络复杂度较低时，通过减少权重数量降低过拟合问题，相比于现有的 ResNet 架构实现更好的图像分类结果。

Nov, 2022