本文提出了一种基于视差注意力机制的立体图像超分辨率网络 (PASSRnet)，该机制通过包含沿极线的全局接受野处理具有大视差差异的不同立体图像，与 Flickr1024 数据集一起使用，通过小的计算和内存成本来提高超分辨率性能，并在 Middlebury、KITTI 2012 和 KITTI 2015 数据集上实现了最先进的性能。

Mar, 2019

本文提出了一种针对差异变化较大的立体图像场景的通用视差关注机制（ PAM），并结合外极约束和注意力机制，计算沿外极线的特征相似性来捕获立体对应关系。 基于该机制，我们还提出了用于立体匹配和立体图像超分辨率任务的视差关注立体匹配网络（ PASMnet）和立体图像超分辨率网络（ PASSRnet）。 实验结果表明，我们提出的 PAM 是通用的，可以在无监督的情况下有效地学习立体对应关系。 比较结果表明，我们的 PASMnet 和 PASSRnet 实现了当前最先进的性能。

Sep, 2020

本文提出了基于深度神经网络框架加入视差限制机制的 DCSSRnet 算法，用于提高立体图像对的空间分辨率，实验结果表明该算法在定量和定性评估上优于目前的 SR 方法。

Mar, 2020

本研究提出了一种新的基于 Transformer 模型的立体视频超分辨率方法，利用空间 - 时间卷积自注意力和光流特征对立体一致性和帧序一致性进行处理，使用视差注意机制融合立体视点，对新收集的 SVSR-Set 数据集进行了广泛实验，取得了与最新方法相媲美的结果。

Apr, 2022

通过应用大感受野，我们提出了一种称为 Symmetric Visual Attention Network (SVAN) 的方法来改进高效超分辨率重建，减少了算法参数的数量并提高了模型的感知能力。实验结果表明，我们的方法只使用了现有 SOTA 方法约 30% 的参数，却能获得高质量的超分辨率重建结果。

Jan, 2024

本研究旨在设计一种轻量级卷积神经网络，用于图像超分辨率，提出了一种像素关注机制用于构建简洁且有效的网络，并分别提出了基于像素关注的主干和重建分支的构建块。该模型具有较好效果且参数量只有 SRResNet 和 CARN 的 17.92％和 17.09％。

Oct, 2020

该研究通过开发 StereoSRQA 模型，提出了第一种感知定向的立体图像超分辨率方法，并采用 StereoSRQA 数据库为 StereoSR 模型提供准确的指导，从而提高了立体图像的感知质量和位移估计的可靠性。

Jul, 2022

通过顶部到底部的视角来引导质量评估流程，本研究提出了一种基于立体注意力的立体图像质量评估方法，利用顶部到底部的视角来引导质量评估流程，从高级双眼信号到低级单眼信号进行逐步校准，借助通用的立体注意力块实现立体感知中的顶部到底部哲学，通过引入能量系数来灵活调整双眼反应的幅度，在提取最具有辨别性的质量信息方面，采用双池化策略，应用最小池化和最大池化操作到各自支路上。实验结果显示了该方法在模拟视觉感知的属性方面的优越性，并在 SIQA 领域中推动了最新的研究进展。

Aug, 2023

本文提出了一种新的视差变换网络（PTNet），采用对称的双向视差变换模块和基于置信度的交叉视图融合模块，实现了立体图像 JPEG 压缩伪影的去除，采用粗到精的策略对跨视图交互进行优化，实验结果表明 PTNet 的性能优于当前其他先进方法。

Jul, 2022

该研究提出了一种使用参考图像进行高保真图像超分辨率的新方法，针对双摄像头超分辨率进行了重点研究，其利用空间对齐操作推广了标准的基于补丁的特征匹配方法。进一步探索了 RefSR 的一种有前途的应用：双摄像头超分辨率，并构建了由智能手机主摄像头和长焦摄像头的 146 个图像对组成的数据集。此外，为了弥合现实世界图像和训练图像之间的领域差距，该研究提出了一种自我监督的领域自适应策略。对数据集和公共基准的广泛实验表明，该方法在定量评估和视觉比较方面均显著优于现有最优方法。

Sep, 2021