该研究提出了一种新颖的向导超分辨率方法，将问题视为像素级向导图到源图像域的映射，使用无监督学习和多层感知机来参数化映射函数，达到超分辨率的效果，并在深度图和树高图两个任务中均优于其他基线算法。

Apr, 2019

通过同时考虑特征和图像级别的引导融合，我们提出了一种 Simultaneous Feature and Image Guided Fusion (SFIGF) 网络用于图像导向恢复任务，该网络结合了传统的引导滤波机制和深度学习方法，旨在同时恢复图像的上下文信息和细节信息。

Dec, 2023

本文提出了一种新颖的方法，将有向各向异性扩散技术和深度卷积神经网络相结合，实现了超分辨率深度图像的指导。该方法以前人的研究为基础，在边缘转移 / 增强性，与现代网络的上下文推理能力和严格的校准步骤的保证下，在三个常用的超分辨率指导深度准则下展现了前所未有的成果。

Nov, 2022

DIIF 是一种动态隐式图像函数，其使用坐标分组和切片策略从坐标切片到像素值切片进行解码，以显着降低计算成本，并且可以与超分辨率方法集成以实现令人满意的性能。

Jun, 2023

本文提出了一种基于数据项和光滑项的 Robust Guided Image Filtering（RGIF）通用框架，旨在解决引导图像与目标图像之间的结构不一致性以及目标图像中噪声的问题。该模型可同时去噪目标图像和执行对噪声具有鲁棒性的 GIF 操作，并具有良好的边缘保持平滑处理效果。通过提出的迭代加权最小二乘法（IRLS）方法来解决高度非凸问题，进一步开发基于数据驱动的参数优化方案，以适当确定模型中参数。

Mar, 2017

该研究论文提出了一种空间 - 光谱隐式函数 (SSIF)，它能够以空间和光谱领域的连续像素坐标和连续波长的方式表示图像，通过实证验证了 SSIF 在两个具有挑战性的空间 - 光谱超分辨率基准上的有效性。研究还表明，即使允许基线模型在每个光谱分辨率上进行单独训练，SSIF 仍然始终优于现有技术的基线模型，并且 SSIF 能够很好地适应不同的未见空间和光谱分辨率，并生成提高下游任务性能（如土地利用分类）1.7％-7％的高分辨率图像。

Sep, 2023

本研究提出了一种新的自适应局部图像函数（A-LIIF）模型，旨在通过采用编码器和扩展网络，建模多个局部隐式图像函数的加权组合，从而缓解局部隐式图像函数（LIIF）模型在边缘周围出现结构失真和环状伪影等问题，实现图像超分辨率的高精度重建。

Aug, 2022

本研究提出了一种学习性方法，基于卷积神经网络构建联合滤波器，该算法可以选择性地传输与指导和目标图像一致的重要结构，验证表明该联合滤波器在抑制噪声或增强空间分辨率方面具有有效性，并且具有与现有最先进方法相当的性能。

Oct, 2017

本文提出了一种基于生成对抗网络的分组超分辨率和反色调映射联合学习模型，通过精心设计包括图像重建子网、细节恢复子网和局部对比度增强子网等三个任务特定子网，训练一对 1D 可分离细节恢复像素滤波器和一个局部对比度增强 2D 滤波器，以提高本文模型处理 HDR 图像过程中所需的超分辨率和反色调映射性能，实验证明该模型能够比之前的方法提高 0.41 dB 的 PSNR 值。

Sep, 2019

文章提出了一种利用联合 CRF 和卷积神经网络解决单个图像预测深度图和本征图的方法，该方法命名为联合卷积神经场模型 (JCNF)，该方法在单图深度估计和本征图分解两个任务上均超越了现有方法。

Mar, 2016