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

本文提出了一种分阶段新颖的感知图像超分辨率方法，第一阶段集中于最小化点之间误差，第二阶段利用前一阶段提取的特征来追求更好的结构保留，并采用第二阶段提取的细节结构特征来产生更真实的结果，通过多尺度特征融合，提出的方法优于现有方法。

Jul, 2019

本研究提出了一种新颖的方法，基于低级域天然先验规律和自然流形约束去实现高感知质量和真实感重构的超分辨率图像，相比于其他算法，获得了更好的自然感和更真实的图像重构效果。

Nov, 2019

本研究提出了一种结构保留超分辨率的方法，利用图像的梯度图来指导恢复，同时使用梯度损失和图像空间损失函数，帮助生成网络更加注重几何结构。实验结果表明，该方法在恢复结构的同时生成了自然的高清图片，并且在感知度和峰值信噪比等指标上表现出色。

Mar, 2020

通过对公共数据集、评估指标和四类方法的研究以及在基准数据集上的比较，本文全面评估了基于深度学习的单个图像超分辨率（SISR）方法中类别为基于退化建模、基于图像对、基于域转换和基于自学习的 RSISR 方法在重建质量和计算效率方面的表现，并讨论了 RSISR 的挑战和未来研究方向。

Mar, 2021

本文提出了一种基于GAN方法的图像超分辨率算法，通过梯度信息作为额外的结构先验，以结构保留的方式减少回复的图像中的不良结构畸变，并引入可学习的神经结构提取器（NSE）来寻找更丰富的局部结构和提供更强的超分辨率监督。实验结果表明，该方法优于当前基于感知的SR方法。

Sep, 2021

本文提出了一种基于局部统计的判别学习（LDL）方法，以训练一种稳定生成感性真实细节且抑制视觉伪像的基于GAN的单图像超分辨率模型，实现了比最先进GAN方法更高的重建精度和更好的感性质量。

Mar, 2022

该论文研究了图像超分辨率中的质量评估问题，提出了针对内容依赖的锐度和纹理评估的不确定性加权方案，并将确定性保真度和统计保真度融合，提出了超分辨率图像保真度指数（SRIF），在测试主观评级数据集时表现优于现有IQA模型。

Jul, 2022

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

通过利用低分辨率图像和比例因子来评估图像超分辨率（SR）图像的感知质量和重建保真度，本研究提出了一种新颖的双分支减参考SR-IQA网络（PFIQA），其中感知分支利用Vision Transformer（ViT）和ResNet的全局建模和局部关系，结合比例因子实现综合视觉感知，而保真性分支通过视觉感知评估低分辨率和超分辨率图像之间的重建保真度，两个分支的结合与人类视觉系统高度契合，实现全面的SR图像评估。实验结果表明，PFIQA在三个广泛使用的SR-IQA基准测试中优于当前最先进的模型，特别在评估真实世界SR图像质量方面表现出色。

May, 2024