本文介绍了一个新的大规模真实场景爆破超分辨率数据集 RealBSR 以及一种名为 FBAnet 的联邦爆破亲和网络，用于从多个帧中恢复图像细节，并通过基于 Transformer 的模块进行爆破表示解码。实验结果表明，FBAnet 优于现有的最先进的爆破超分辨率方法，并且在模型细节上实现了视觉上令人愉悦的超分辨率图像预测。

Sep, 2023

本文提出了一种基于多帧图像超分辨率技术的新型神经网络结构，以像素级光流明确对齐输入帧的深嵌入，使用基于注意力的融合模块自适应地合并来自所有帧的信息，以产生高质量重建的 RGB 图像；同时介绍了 BurstSR 数据集，在真实世界数据上进行了全面实验分析，证明了该模型的有效性。

Jan, 2021

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

本论文回顾了 NTIRE2021 挑战赛的爆发式超分辨率，并介绍了两个轨道的数据，一是基于合成数据的轨道，二是基于移动相机的实际轨道，并在最终测试阶段，6 支队伍提交了具有多样性的解决方案，表现最佳的方法将爆发式超分辨率任务的最优性能提升到了一个新的水平。

Jun, 2021

对 NTIRE 2024 原始图像超分辨率挑战赛及其结果进行综述，该挑战的目标是通过 2 倍放大 RAW Bayer 图像来探索现代图像信号处理中 RAW 超分辨率的新方法。其中，参与者注册了 230 个，挑战期间提交了 45 个结果，笔者对前 5 名的表现进行了回顾，作为 RAW 图像超分辨率领域现有技术水平的指标。

Apr, 2024

本文提出了一种可用于处理多曝光序列的超分辨率方法，它可以处理输入中的信号相关噪声，并且可以在没有高分辨率帧的情况下进行端到端的自我监督训练，效果显著优于现有的单曝光方法。

May, 2022

本文介绍了一种基于迭代卷积网络的低质量图像拍摄技术，该技术利用爆发式拍摄的图像帧进行高质量图像的恢复和去噪，并在爆发式拍摄流程中进行了多项改进，方法展现出稳定的性能，不受帧数、顺序等限制。

Nov, 2018

该研究提出了一种新颖的 Burst Image Restoration 方法，使用伪爆发特征相互交换信息，通过快速匹配、多尺度的上下文信息和自适应聚合，还原高质量图像。与现有方法相比，该方法表现出最先进的性能，可用于爆发超分辨率、爆发低光图像增强和爆发去噪任务。

Oct, 2021

为了解决超分辨率图像恢复在真实场景中的局限性，本文提出了新的数据生成管道来模拟数字相机的成像过程，并使用双卷积神经网络以及学习空间变异的颜色转换来处理原始数据，实验结果表明，在真实场景中，使用原始数据进行超分辨率图像恢复可以更好地恢复细节和清晰的结构。

May, 2019

本文提出了一种新的粗到细的神经网络架构，通过采用多张暗光照片进行融合并利用学习来处理图像，从而在极低光条件下提高图像质量

Jun, 2020