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
通过建立信息池、使用压缩模块和去除激活层，本文提出了一个超轻量级的超分辨率网络s-LWSR，以减少参数数量和操作次数，在保持性能的同时，在移动设备上部署DL-SR模型时具有明显的优势。
Sep, 2019
通过提出的关注辅助特征（A^2F）为基础，我们开发了一种计算效率高但准确性良好的网络以用于单幅图像超分辨率（SISR）处理，并且在大规模数据集上的实验结果证明了该模型的有效性。
Nov, 2020
针对模型量化与SR网络训练中的两个困难，本文提出了一种全量化图像超分辨率框架（FQSR）来同时优化效率和精度，并在多个主流SR构架上应用，实验表明与全精度SR方法相比，FQSR具有相同的性能和较低的计算成本。
本文提出了一种基于线性过参数化的卷积神经网络的超高清图像重建模型，其在六个基准数据集上取得了类似或更好的图像质量，需要比现有模型少2倍至330倍的操作，适用于受限制的硬件并可用于实际移动设备上进行超高清图像重建。
Mar, 2021
本文研究高效图像超分辨率算法的8位量化，提出了一种适用于移动设备的基于锚点神经网络的算法，并采用定量化训练策略，使该模型在保证性能的情况下可以胜过当前同类算法。
May, 2021
本文提出了一种新的激活量化方法-动态双可训练界（DDTB），以解决超低精度（例如2位和3位）SR模型在使用低成本层面量化器进行量化时所遇到的性能下降困境，该方法通过针对激活的不对称性做出创新，并且使用动态门控器运行时自适应地调整上下界以克服不同样例的激活范围巨大变化问题。
Mar, 2022
本文提出了一种简单的卷积神经网络与快速最近卷积模块（NCNet）的方法，并使用8位量化在移动设备上进行可靠的实时超分辨率，以实现更高效的超分辨率方法。
Aug, 2022
利用提出的剪辑无关量化流程 (CFQP) 来调整代表性数据集 (RD) 图像，成功地消除非期望的剪辑激活层，从而提高稳定性、减少推理运行时间并获得更好的视觉质量结果，而无需使用剪辑激活进行重训练。
Aug, 2023
单图像超分辨率(SISR)的研究旨在从低分辨率观察中重建出高分辨率图像。本研究探索了图像自相似性作为新的研究方向，并提出了一种名为参考量化的图像超分辨率方法(RefQSR)，该方法使用高比特量化的几个代表性补丁，并将它们作为剩余补丁低比特量化的参考。实验结果证明了RefQSR在各种SISR网络和量化方法上的有效性。
Apr, 2024