本文提出了一种名为 C2-Matching 的方法，用于通过引入高分辨率参考图像增强低分辨率输入图像。该方法解决了输入和参考图像之间的尺度、旋转和分辨率差异等挑战，并在基准测试 CUFED5 数据集上比现有的 Ref-SR 方法表现出更高的性能，同时还表现出在大尺度和旋转变换方面的稳健性。同时本文贡献了一个名为 WR-SR 的数据集，模拟实际使用场景。

Jun, 2021

参考图像超分辨率的关键词是 Reference-Based image super-resolution、attention mechanisms、deep architectures、texture match 和 Super Resolution。该方法通过引入注意机制，从参考高分辨率图像中转移高分辨率纹理，提高低分辨率图像的质量。对于每个低分辨率补丁，我们使用更高效的内存使用率进行深层搜索以减少图像补丁数量，并找到 $k$ 个最相关的纹理匹配，从而获得准确的纹理匹配。通过使用简单的残差架构和梯度密度信息来增强超分辨率结果，显示了有竞争力的指标结果：PSNR 和 SSMI。

Oct, 2023

本文提出了一种引用图像超分辨率 (RefSR) 的深度学习模型，借鉴图像风格化的思想，通过在神经空间进行多级匹配，实现了从参考图像中自适应地转移纹理，有效地提高了超分辨率的性能，并建立了参考图像超分辨率通用研究的基准数据集。

Mar, 2019

该研究提出了一种使用参考图像进行高保真图像超分辨率的新方法，针对双摄像头超分辨率进行了重点研究，其利用空间对齐操作推广了标准的基于补丁的特征匹配方法。进一步探索了 RefSR 的一种有前途的应用：双摄像头超分辨率，并构建了由智能手机主摄像头和长焦摄像头的 146 个图像对组成的数据集。此外，为了弥合现实世界图像和训练图像之间的领域差距，该研究提出了一种自我监督的领域自适应策略。对数据集和公共基准的广泛实验表明，该方法在定量评估和视觉比较方面均显著优于现有最优方法。

Sep, 2021

本文提出了一种特征重用框架，用于引导逐步纹理重建过程，减少感知损失和对抗性损失的负面影响，并通过单图特征嵌入模块和纹理自适应聚合模块来进行准确的对应匹配和纹理信息传输，从而增强了参考纹理的利用并减少了误用。

Jun, 2023

本文提出一种使用参考图像进行超分辨率的加速多尺度聚合网络（AMSA），包括粗到细嵌入式 PatchMatch（CFE-PatchMatch）和多尺度动态聚合（MSDA）模块，旨在提高匹配效率，降低计算成本，并增强对跨尺度的鲁棒性，实验结果表明，该方法在定量和定性评估方面均优于现有方法。

Jan, 2022

本文提出了一种新颖的基于注意力的多参考超分辨率网络（AMRSR），该网络可以在保持空间相干性的同时，通过学习从多个参考图像中自适应地传输最相似的纹理到超分辨率输出来提高细节。与现有的参考超分辨率方法相比，多参考和分层注意力采样方法的结合实现了显着改进。

Aug, 2021

利用领域匹配（DM）模块改进了参考图像超分辨率（RefSR）模型，在遥感图像超分辨率任务中取得了定性和定量上的性能提升。

Jan, 2024

通过引入扩散模型来生成和增强低分辨率图像中的细节，本文提出了一种用于基于参考的超分辨率的细节增强框架（DEF），能够促进对齐，同时避免参考图像的影响，实验结果表明该方法在视觉效果上具有优势同时保持可比较的数值结果。

May, 2024

该论文提出了一种基于变形关注的变换器，即 DATSR，通过多个尺度来解决了参考图像超分辨率中的关键问题，即如何匹配低分辨率与参考图像的对应关系，以及如何将相关纹理从 Ref 图像传输到 LR 图像中来弥补细节。在多个基准测试数据集上进行的广泛实验表明，DATSR 取得了最先进的定量和定性性能。

Jul, 2022