该研究通过提出 ESRGAN，改进了 SRGAN 的网络架构、对抗损失和感知损失三个关键部分。ESRGAN 获得了 PIRM2018-SR 挑战的第一名，并取得了比 SRGAN 更好的视觉质量和更真实、更自然的纹理。

Sep, 2018

评估多个最新的 SR GAN 模型（超分辨率生成对抗网络），包括 ESRGAN、Real-ESRGAN 和 EDSR，在经过流程处理的现实世界图像基准数据集上的性能，结果表明某些模型能够显著提高图像分辨率同时保留其视觉质量，使用 Tesserect OCR 引擎进行评估，其中 EDSR 模型在定量指标和主观视觉质量评估上优于其他模型，具有最少的计算开销，并且生成的图像具有更高的峰值信噪比（PSNR）和结构相似性指数（SSIM）值，通过 Tesseract OCR 引擎返回高质量的 OCR 结果，这些发现表明 EDSR 是一种稳健有效的单图像超分辨率方法，特别适用于对高质量视觉保真度至关重要且经过优化计算的应用。

Jul, 2023

该研究提出了 Enhanced Super-Resolution Generative Adversarial Network (ESRGAN) 模型，采用感知驱动的方式进行单幅图像超分辨率处理，引入了新颖的模块和噪声输入方法以进一步改善图像的感知质量和纹理特征。

Jan, 2020

本研究提出了一种基于 Perceptual GAN 的模型，通过将小目标的表示向超分辨率方向提升，实现其特征与大目标相似，从而提高小目标检测的准确性。

Jun, 2017

本文提出在改进的生成对抗网络超分辨率模型中，添加更多的快捷连接以便于更快地反向传播梯度信息，进而通过像素距离、对抗性损失和感知损失等多重因素训练提高细节和质量，最终得到更高分辨率的图像。并验证了在实际图像超分辨率挑战中具有卓越性能，提高了图像重建的质量。

Nov, 2019

本文提出了一种双重关注生成对抗网络，用于实现高分辨率遥感图像变化检测任务，通过生成对抗策略优化检测模型的权重，增强预测的空间连续性，并通过多层特征提取器、多尺度自适应融合模块和上下文细化模块来有效融合多层次特征，提升对多尺度对象的识别能力。与其他先进方法相比，在 LEVIR 数据集上实验结果显示，DAGAN 框架具有更好的性能，均值 IoU 达到 85.01%，均值 F1 得分达到 91.48%。

Oct, 2023

本研究介绍了一种基于增强型 SRGAN 的超分辨率网络 RFB-ESRGAN，包括 Receptive Field Block、多尺度信息提取、交替上采样方法和集成式模型等四个方面，经实验结果验证，该方法在 NTIRE 2020 Perceptual Extreme Super-Resolution Challenge 中表现最佳。

May, 2020

该研究开发了一种新的残差 - 残差稠密块发生器 (RRDG) 来解决基于 GAN 的三维 SISR，并提出了一种改进收敛行为的 Patch GAN 鉴别器来更好地建模脑图像纹理，并提出了一种新颖的解剖学保真度评估方法，这些开发通过一种简单，高效的方法结合起来，以实现影像和质地质量之间的平衡。

Jul, 2019

使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

Aug, 2019

本研究将 ESRGAN 应用于实际的纹理恢复应用中，在处理复杂的真实世界退化图像时，引入高阶退化建模过程，并考虑到常见的环绕和过冲伪影，采用具有谱归一化的 U-Net 鉴别器来增强鉴别器的能力和稳定训练动力学， 并提供了实时生成训练样本的高效实现。

Jul, 2021