本文提出了一种更复杂但实用的退化模型，其中包括随机混合的模糊，下采样和噪声退化，以达到改善单图超分辨率方法的实用性的目的。实验结果表明，这个新的退化模型可以显著改善深度超分辨率方法的实用性，为真实的单图超分辨率应用提供了一种强有力的替代解决方案。

Mar, 2021

本研究提出了一种名为 IKR-Net (迭代核重构网络) 的方法，通过使用专门的深度模型进行迭代的核和噪声估计以及高分辨率图像重建，提供了一种通用解决方法，能够处理输入低分辨率图像中任意类型的模糊和噪声，并在盲目单图像超分辨率中取得了最先进的结果，特别是对于带有运动模糊的噪声图像。

Apr, 2024

通过引入视频压缩降级模型，提出了一种盲目单图像超分辨率方法，可恢复由视频压缩引起的失真，通过合成低分辨率图像数据并训练神经网络，在图像质量评估和视觉质量方面取得了优秀的性能。

Nov, 2023

本文介绍了一种基于双条件去噪扩散概率模型的盲超分辨率重建框架，围绕核估计和重构进度引入了双向扩散，通过构建基于 DDPM 的核预测器和重建器实现了从 LR 图像到 HR 图像的映射，实验结果证明了我们提出的方法在盲超分辨率重建方面的优越性。

May, 2023

通过元学习和马尔可夫链蒙特卡罗 (MCMC) 的盲图像超分辨率 (SISR) 方法，从有组织的随机性中学习核先验，同时提出基于元学习的交替优化策略实现一个基于学习的即插即用的盲 SISR 解决方案，通过对合成和真实数据集进行广泛的模拟，表明了该方法具有卓越的性能和泛化能力。

Jun, 2024

我们提出了一种使用维度扩展策略的通用框架，使单个卷积超分辨率网络能够将模糊核和噪声级别作为输入，从而处理多种甚至是空间变异的退化，从而显着提高了实用性。在合成和真实的低分辨率图像上的广泛实验结果显示，所提出的卷积超分辨率网络不仅可以产生多个退化结果，而且计算效率高，提供了一种高效和可扩展的解决方案，适用于实际的 SISR 应用。

Dec, 2017

提出了一种基于模型驱动的深度神经网络方法 KXNet，给出了一个简单且有效的迭代算法，并将其展开到相应的网络模块中，从而使学习过程与 SISR 任务的固有物理机制完全和明确地融合。

Sep, 2022

本文提出了一种基于深度神经网络和插拔式图像恢复技术相结合的原理性公式和框架，使得任意位于低分辨率图像的模糊核能够被处理，为此设计了一个新的图像降级模型，并基于该模型提出一个基于变量分割技术的插拔式算法，实现了预处理和任意大小和类型的超分辨率。

Mar, 2019

本文提出一种盲图像超分辨率的新方法，使用重新构建的退化模型和两个新模块，通过对内核估计和内核基于高分辨率图像恢复的改进，实现更好的准确性和视觉改进，并在多个基准测试中进行了验证。

Feb, 2022

利用深度学习在单图像超分辨率（SISR）方面取得了显著进展，尽管大部分现有工作假设简单且固定的降级模型，但盲目超分辨率的研究旨在改进对未知降级能力的建模，本文提出了一种更合适的训练策略利用 Dropout 来提高盲目超分辨率的模型泛化能力，同时降低 Dropout 引入的不良副作用，我们通过理论和实验分析展示了这种方法的效果，并通过调整一阶和二阶特征统计量提出了另一种简单但有效的训练策略，该方法在包括合成和真实世界场景在内的七个基准数据集上表现更好，可作为一种与模型无关的正则化方法。

Feb, 2024