该研究提出了一种基于深度学习的单图像超分辨率模型，旨在解决任意缩放因子的问题，该模型通过联合优化其上下缩放方向，实现了双向的任意图像缩放，并在视觉感知质量方面明显优于当前的任意缩放模型。

Mar, 2022

本文针对视频重缩放问题展开研究，提出了基于耦合层可逆神经网络的联合优化方法，LSTM-VRN 利用时间信息进行低分辨率视频上的高频信息显式预测，MIMO-VRN 提出了一种同时降低和提高视频帧组的新策略。与基于图像的可逆模型相比，这两种方法在定量和定性结果上都优于它们，同时也比没有联合优化的视频重缩放方法表现得更好。据我们所知，这是首次尝试联合优化视频降低和提高。

Mar, 2021

本文提出了一个神经网络框架，该框架能够联合学习时空下采样和上采样，并提出了两个新模块以解决时空去混叠问题和提高重建性能。实验证明，该方法显著提高了时空重构质量，并且能够应用于任意视频重采样、模糊帧重建和高效视频存储。

Mar, 2022

本文提出了一种新的、基于可逆双射转换的图像下采样和上采样建模方法，使用一种随机生成的潜向量来反向生成指定分布的下采样信息，提高了降采样图像的上采样表现。通过定量和定性的图像重建评估，证明了该方法在图像上采样重建方面相比现有方法有显著的改进。

May, 2020

该论文提出了一种针对超分辨率图像的无监督方法，通过学习将人工生成的低分辨率图像的影响反演，从而还原数据中存在的自然图像特征，旨在解决使用人工生成的低分辨率图像所出现的问题。实验结果表明，该方法可以得到具有代表性的真实世界图像组，有效地提高超分辨率网络的泛化性。

Sep, 2019

介绍了一种新的基于概率框架在非成对数据之间的统计降尺度方法，该方法将最优输运地图和基于后验条件采样的概率扩散模型相结合，从而不需要成对数据便能还原有偏差样本中的相关物理统计数据，并在天气和气候的数值模拟中得到了实用验证。

May, 2023

本研究提出一种基于内容自适应重采样器 (CAR) 的图像下采样方法，通过反向传播调节模型参数，实现从低分辨率图像恢复高分辨率图像的目标；实验结果表明，该方法比传统插值方法表现更优，通过与深度超采样模型联合训练，取得了最新的超分辨率性能。

Jul, 2019

本文提出了一种自适应运动补偿模型，通过多尺度形变对齐方案与多尺度条件编码结合，在运动内容自适应推理的基础上利用增益单元控制位分配，达到了学习视频编码的超越前沿水平的性能。

Jun, 2023

本文提出了用于压缩感知图像重缩放的 SAIN 网络，通过对失去信息（包括缩小和压缩）的分布进行经验分析，使用各向同性高斯混合分布建模，并提出增强的可逆块，以在一个前向传递中导出高质量 / 压缩的 LR 图像。在标准图像压缩格式（JPEG 和 WebP）下的各种图像重缩放数据集中进行的广泛实验表明了 SAIN 的一致改进。

Mar, 2023

本文提出了一种新颖的自级联扩散模型，通过利用低分辨率模型的丰富知识快速适应高分辨率图像和视频生成，使用无需调优或廉价上采样器调优范例。该自级联扩散模型整合了一系列多尺度上采样器模块，可以有效地适应更高的分辨率，保持原始组合和生成能力。我们进一步提出了一种基于中心引导的噪声重新调度策略，以加快推理过程并提高局部结构细节。与完全微调相比，我们的方法在训练速度上提高了 5 倍，并且仅需要额外的 0.002M 调优参数。广泛的实验表明，我们的方法可以通过仅仅进行 10k 步的微调，快速适应更高分辨率的图像和视频合成，几乎不需要额外的推理时间。

Feb, 2024