提出了一种名为 FAN 的频率聚合网络方法，它能够针对复杂的现实降解恢复真实世界低分辨率图像的高分辨率版本，通过提取不同频率的低分辨率图像，并分别传递到一种称为 CA-GRDB 的通道注意力聚合残差密集网络中，最后自适应地聚合这些残余特征图来恢复具有增强细节和纹理的高分辨率图像，实验证明该方法在 AIM2020 挑战赛的真实图像超分辨率任务上表现出色，最终权衡指标 PSNR 达到 31.1735，SSIM 达到 0.8728，我们的团队 SR-IM 获得该赛道的第四名。

Sep, 2020

提出了一种名为 Omni-SR 的新型架构，通过增强的 Omni Self-Attention 块和多尺度交互机制来改善轻量级 ViT 框架中 one-dimensional self-attention 建模的局限和同构聚合方案，并在图像超分辨率任务中获得最高记录性能。

Apr, 2023

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

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

使用 DSGAN 结构进行无监督学习，将自然图像特征引入通过双三次下采样降级的图像。通过频率分离技术，只需对高频部分进行对抗性训练，从而极大地提高超分辨率模型在真实世界图像上的性能表现。

Nov, 2019

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

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

本文提出了一种新的单图像超分辨率 (SISR) 框架，该框架采用了适用于每个区域的最佳目标以生成整体区域的高分辨率输出，并在五个基准测试中取得了优异的结果。

Nov, 2022

本文提出了一种新的残差本地特征网络 (RLFN) 方法，通过使用三个卷积层进行残差本地特征学习来简化特征聚合，同时伴随着改进的对比损失和训练策略，该方法在保持 SR 的 PSNR 和 SSIM 的同时显著优于所有最先进的高效图像 SR 模型。

May, 2022