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

本文提出了一种基于深度神经网络和插拔式图像恢复技术相结合的原理性公式和框架，使得任意位于低分辨率图像的模糊核能够被处理，为此设计了一个新的图像降级模型，并基于该模型提出一个基于变量分割技术的插拔式算法，实现了预处理和任意大小和类型的超分辨率。

Mar, 2019

本文提出了一种基于深度学习的超分辨率（SR）方法来解决盲超分辨率问题，其中的模糊核是未知的。通过迭代核校正（IKC）方法，使用一个包含空间特征变换（SFT）层的神经网络结构进行多个核的处理。在合成和实际图像上的实验表明，该方法可以提供良好的 SR 结果，并在盲 SR 问题中达到了最先进的性能水平。

Apr, 2019

本文提出一种盲图像超分辨率的新方法，使用重新构建的退化模型和两个新模块，通过对内核估计和内核基于高分辨率图像恢复的改进，实现更好的准确性和视觉改进，并在多个基准测试中进行了验证。

Feb, 2022

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

本文提出一种卷积神经网络，该网络的特征图在低分辨率空间中提取，使用高效的子像素卷积层将最终的低分辨率特征图升级到高分辨率输出，从而有效地将手工设计的双三次滤波器替换为针对每个特征图训练的更复杂的上采样滤波器，同时降低总体超分辨率操作的计算复杂度。该方法的实验结果表明，它在图像和视频方面的表现都比以前的基于 CNN 的方法好得多，并且速度快了一个数量级。

Sep, 2016

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

本篇论文提出了一种简单有效的基于像素替换的图像超分辨率算法，该算法使用深度神经网络估计中间高分辨率图像，并通过从低分辨率图像替换像素值来满足图像形成模型，并进行级联细化。实验结果显示，所提出的算法在图像超分辨率方面的性能优于现有的同类算法。

Aug, 2019

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

本文提出了一种新型的深度卷积神经网络，该网络使用内部先验来适应低分辨率图像的内部内容，并分析了其优点和缺点，在运行时间和使用内部先验的情况下，在标准数据集上比最佳结果提高了 0.1 至 0.3dB 的 PSNR，特别适合于具有重复结构或大分辨率下的图像。

Mar, 2017