通过提出一种深度残差卷积生成对抗网络（SRResCGAN）来解决真实世界中图像修复过程缺失的问题，该网络通过对 HR 领域的像素级监督来对模型进行敌对训练，并利用残差学习和凸优化技术来最小化能量函数，我们的实验表明，该方法易于部署到其他下采样算子和移动 / 嵌入式设备上，并且能够更好地适应真实世界中的图像噪声问题。

May, 2020

本文介绍了一种使用 Charbonnier Loss 函数构建内容损失，并将其与提出的感知损失和对抗性损失相结合的超分辨率感知生成对抗网络 (SRPGAN) 框架，能够更好地重建具有高频细节和清晰边缘的高分辨率图像。与其他现有模型相比，该模型在大多数基准测试中都能取得更高的结构相似性指数 (SSIM) 分数。

Dec, 2017

本研究提出了一种基于迭代优化的新型迭代超分辨率网络（ISRN）来解决单幅图像超分辨率问题，使用特征归一化和残差结构来提高网络表示性能，并在多项测试基准中展示了其在恢复图像结构信息和图像质量提高方面的卓越表现。

May, 2020

通过使用频率分解和区域自适应频率聚合，我们设计了一种全频率区域自适应网络（ORNet），用于实现真实图像的超分辨率重建，该网络的训练基于特征表示，能够补偿真实低分辨率图像中的信息丢失，并具有场景不可知性。

Dec, 2020

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

本研究提出了一种基于 CycleGAN 和 GAN 框架的超分辨率方法，能够在真实世界的低分辨率与高分辨率图像转换中，保持数据分布的连续性，表现出较高的超分辨率效果。

Sep, 2020

该研究使用 Residual Dense Networks（RDN）架构并分析了其组件的重要性，通过利用原始低分辨率（LR）图像的分层特征，该架构实现了卓越的性能，具有四个主要块，包括作为核心的残留密集块（RDB），并通过使用各种损失指标的研究和分析评估了体系结构的有效性，将其与其他不同体系结构和组件的最先进模型进行比较。

Apr, 2023

介绍了基于深度学习的单图超分辨率问题的方法和分类，其中包括了网络架构和深度学习优化目标两个方面，归纳了各种方法的局限和改进，并从各种角度展开了比较和分析，并讨论了当前挑战和未来趋势。

Aug, 2018

本文提出了一种轻量级多尺度特征交互网络（MSFIN）用于图像超分辨率，通过扩展感受野和利用来自各种尺度的低分辨率观察图像的信息特征以及交互连接。此外，设计了一种轻量级的循环残差通道注意块（RRCAB）以便使网络受益于通道注意机制同时保持足够轻量级。与现有技术相比，本文所提出的 MSFIN 能够以更轻量的模型实现可比性能。

Mar, 2021

本文提出了一种基于注意力机制的两阶段深度卷积神经网络，可以在从粗到细的方式下进行超分辨率图像重建，并通过使用多层上下文关联特征的多层上下文注意力块和利用高分辨率空间中的有用线索来重建高分辨率图像的重要细化关注块，以提高超分辨率性能并获得良好的视觉效果

Apr, 2021