该论文提出了一种有效的三维卷积神经网络 3DSRnet，用于视频超分辨率，通过利用空时相干性来提高预测高分辨率帧的准确性，而且在不需要预处理的情况下优于最先进的方法，提出了一种新的处理场景变化的方法。

Dec, 2018

利用过去的多个帧重建高清视频的方法叫做视频超分辨率技术，但现有的方法无法有效利用自相似和相似模式间的关系，因此我们提出了一种新的多对多和非局部多对多聚合策略，建立了一个称为 MuCAN 的网络来解决这个问题，实现了最先进的结果。

Jul, 2020

本文提出了一种利用端到端深度学习网络框架，有效地融合视频超分辨率和帧插值，以实现时空视频上采样的新方法，通过提出的加权方案，在不需要显式运动补偿的情况下有效地融合输入帧，相较于基线模型，在减少计算时间（加快了 7 倍）和参数数量（减少 30%）的同时，实现更好的定量和定性结果。

Apr, 2020

通过引入 Temporal Conditioning Module 和 Frame-wise Bidirectional Sampling，本文提出了一种基于 Diffusion Models 的 Video Super-Resolution 方法，显著提高了视频的感知质量。

Nov, 2023

本文提出了一种新颖的循环残差网络模型用于视频超分辨率，该模型相比于其他几种建模方法具有更高的计算效率和更好的超分辨率效果，取得了当前最好的结果。

Aug, 2020

本文提出了一个名为运动自适应反馈单元（MAFC）的具有简单但高效的特点的模块，可以有效地捕获运动补偿并将其自适应地反馈给网络。通过实验证明，所提出的框架在复杂运动场景下可以获得更好的性能，并比目前最先进的方法表现更优秀。

Feb, 2020

通过引入物理信息的神经网络，本文提出了解决空时视频超分辨率问题的方法，该方法能够准确处理大运动中的运动估计和运动补偿问题，并在固定大小和连续空时视频超分辨率任务中超过同类技术。

Apr, 2024

本文提出了一种基于 CNN 框架的次像素运动补偿层方法（SPMC），通过合适的帧对齐和运动补偿提高了视频超分辨率重建的质量，且无需参数调节，最终实现了高质量的图像细节恢复。

Apr, 2017

本文提出一种高效的视频超分辨率算法，通过引入高维潜在状态来隐式地传播帧之间的时序信息，以解决复杂的运动补偿问题和高计算负荷的限制，并且在超过 70 倍加速的同时，优于现有的最先进方法 DUF。

Sep, 2019

该论文系统研究了基于深度学习的 33 种视频超分辨率方法，提出了一个分类法并将这些方法分属到六个子类中，并详细描述了所有方法的体系结构和实现细节。通过在一些基准数据集上对代表性 VSR 方法的性能进行总结和比较，讨论了 VSR 领域中需要进一步研究的一些挑战。这项工作预计对 VSR 技术的深度学习方法做出贡献，从而深化我们对该领域的理解，并成为该领域中最早的系统研究之一。

Jul, 2020