该研究通过提出 ESRGAN，改进了 SRGAN 的网络架构、对抗损失和感知损失三个关键部分。ESRGAN 获得了 PIRM2018-SR 挑战的第一名，并取得了比 SRGAN 更好的视觉质量和更真实、更自然的纹理。

Sep, 2018

该论文提出了一种随机洗牌方法来模拟真实的降级因素并在合成的数据集上训练深度神经网络，使其在真实世界的视频超分辨率方面表现更好。结果显示，相较于 RealBasicVSR 在 NRQM 方面提高了 7.1％，相较于 BSRGAN 提高了 3.34％。同时，该论文也提出了一个新的包含高分辨率真实视频的数据集，可作为基准测试的共同参照。

May, 2023

该研究提出了 Enhanced Super-Resolution Generative Adversarial Network (ESRGAN) 模型，采用感知驱动的方式进行单幅图像超分辨率处理，引入了新颖的模块和噪声输入方法以进一步改善图像的感知质量和纹理特征。

Jan, 2020

StarSRGAN 是一种用于盲超分辨率任务的 GAN 模型，通过实验比较与 Real-ESRGAN，提供了新的最先进性能，MANIQA 和 AHIQ 度量方面大约提高了 10%；另外，StarSRGAN Lite 是一种紧凑版模型，提供了大约 7.5 倍更快的重建速度，但仍能保持近 90% 的图像质量，从而有助于未来研究中开发实时超分辨率体验。

Jul, 2023

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

评估多个最新的 SR GAN 模型（超分辨率生成对抗网络），包括 ESRGAN、Real-ESRGAN 和 EDSR，在经过流程处理的现实世界图像基准数据集上的性能，结果表明某些模型能够显著提高图像分辨率同时保留其视觉质量，使用 Tesserect OCR 引擎进行评估，其中 EDSR 模型在定量指标和主观视觉质量评估上优于其他模型，具有最少的计算开销，并且生成的图像具有更高的峰值信噪比（PSNR）和结构相似性指数（SSIM）值，通过 Tesseract OCR 引擎返回高质量的 OCR 结果，这些发现表明 EDSR 是一种稳健有效的单图像超分辨率方法，特别适用于对高质量视觉保真度至关重要且经过优化计算的应用。

Jul, 2023

本文提出在改进的生成对抗网络超分辨率模型中，添加更多的快捷连接以便于更快地反向传播梯度信息，进而通过像素距离、对抗性损失和感知损失等多重因素训练提高细节和质量，最终得到更高分辨率的图像。并验证了在实际图像超分辨率挑战中具有卓越性能，提高了图像重建的质量。

Nov, 2019

本文介绍了一种新颖的逼真分离数据生成器（RealDGen），该生成器是为了解决现有图像超分辨率技术在复杂实际环境中泛化效果不佳的挑战所设计的。通过精心设计内容和降解提取策略，并将其整合到一种新颖的内容降解分离扩散模型中，从不成对的实际低分辨率和高分辨率图像中创建逼真的低分辨率图像。大量实验证明了 RealDGen 在生成大规模、高质量的配对数据方面的出色表现，模拟了真实世界的降解情况，并显著提升了各种真实世界基准测试中流行的超分辨率模型的性能。

Jun, 2024

通过重现降级的低分辨率图像，我们提出了一种用于学习降级表示的替代方法，并且引入一个有界约束的能量距离损失函数来促进降级表示的学习。实验结果表明，我们的降级表示能够提取准确和高度鲁棒的降级信息。此外，对合成和真实图像的评估表明，我们的 ReDSR 在盲目超分辨率任务中达到了最先进的性能。

Jul, 2024

本研究提出一种概率降级生成器，用于训练无监督真实场景超分辨率模型，并通过使用多个生成器和协作学习来提高模型性能和稳健性，相关方法在基准数据集上表现出优异的性能。

Jan, 2022