本文提出了用于压缩感知图像重缩放的 SAIN 网络，通过对失去信息（包括缩小和压缩）的分布进行经验分析，使用各向同性高斯混合分布建模，并提出增强的可逆块，以在一个前向传递中导出高质量 / 压缩的 LR 图像。在标准图像压缩格式（JPEG 和 WebP）下的各种图像重缩放数据集中进行的广泛实验表明了 SAIN 的一致改进。

Mar, 2023

该研究提出了一种基于深度学习的单图像超分辨率模型，旨在解决任意缩放因子的问题，该模型通过联合优化其上下缩放方向，实现了双向的任意图像缩放，并在视觉感知质量方面明显优于当前的任意缩放模型。

Mar, 2022

通过学习特定分布下的高分辨率图像与低分辨率图像之间的双射映射，我们提出了可逆残差缩放模型 (IRRM) 来构建深度网络，通过长跳跃连接的残差降采样模块 (RDM) 和短连接的可逆残差块 (IRB) 来强制模型提取图像的高频信息，从而在图像缩放任务中显著优于其他先进方法，且使用更少的参数和复杂性。

May, 2024

提出了一个新的方法来实现输入图像的超分辨率或从随机噪声生成任意比例的新图像，该方法通过预训练的自动编码器、隐式扩散模型和隐式神经解码器及其学习策略组成。该方法在潜空间中采用扩散过程，与 MLP 在任意比例上的解码器空间相一致，并通过固定解码器反向传播输出图像的错误，提高了输出图像的质量。在广泛的实验中，该方法在图像质量、多样性和尺度一致性等指标方面均优于相关方法，在推理速度和内存使用方面显著优于相关的最新技术。

Mar, 2024

该论文提出了 SDFlow，一个将单幅图像超分辨率问题转化为无监督学习的模型，通过在潜在空间中匹配 LR 和 HR 图像的内容信息分布来实现图像降尺度和超分辨率的自动学习。实验结果表明 SDFlow 能够生成多样且逼真的 LR 和 SR 图像。

Oct, 2023

本文提出了自条件概率框架的视频缩放方法，通过最大化概率来减少信息损失并保留更多有意义的信息，达到改善下游任务（如视频动作识别）、提高视频压缩效率等效果。该方法还进一步扩展到了有损视频压缩系统中，并且取得了在视频缩放、视频压缩和效率动作识别任务上的优越表现。

Jul, 2021

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

本篇论文介绍了一种基于可逆 U-Net 结构的新型网络 iUNet，它采用了新颖的可学习可逆上下采样操作，可以在同样的 GPU 存储限制下，训练更深更大的网络，并用于建立正则化流模型。

May, 2020

本文针对视频重缩放问题展开研究，提出了基于耦合层可逆神经网络的联合优化方法，LSTM-VRN 利用时间信息进行低分辨率视频上的高频信息显式预测，MIMO-VRN 提出了一种同时降低和提高视频帧组的新策略。与基于图像的可逆模型相比，这两种方法在定量和定性结果上都优于它们，同时也比没有联合优化的视频重缩放方法表现得更好。据我们所知，这是首次尝试联合优化视频降低和提高。

Mar, 2021

本研究提出一种基于内容自适应重采样器 (CAR) 的图像下采样方法，通过反向传播调节模型参数，实现从低分辨率图像恢复高分辨率图像的目标；实验结果表明，该方法比传统插值方法表现更优，通过与深度超采样模型联合训练，取得了最新的超分辨率性能。

Jul, 2019