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

本文研究解决现实世界中动画视频超分辨率（VSR）的难题，并揭示了实用动画 VSR 的三个关键改进：通过学习基本运算符来改进基本降质操作生成过程中的能力，使用 AVC 数据集进行综合训练和评估，以及研究有效的多尺度网络结构。我们的 AnimeSR 方法能够有效和高效地恢复现实世界中低质量的动画视频，并实现了优于以往最先进方法的性能。

Jun, 2022

提出了一种基于负样本增强策略的视频超分辨率模型（NegVSR），通过可生成实际噪声序列的顺序噪声生成，扩展了退化域来建立不同而具有挑战性的现实世界噪声集合，并提出了增强的负向引导损失，以有效地学习增强后的负向特征。实验结果表明，我们的方法在视觉质量方面明显优于现有最先进的方法。

May, 2023

通过将 BasicVSR++ 扩展为通用框架，本文在不同视频修复任务中取得了令人满意的效果，并证明了传播和对准对视频恢复任务的重要性。

Apr, 2022

本文提出采用多级培训策略来加速视频超分辨率模型的训练，早期阶段的模型尺寸更小。同时，使用 GPU 并行化加快培训速度。实验证明，该策略可以在保持准确率的情况下加速培训达 6.2 倍。

May, 2022

该研究提出了一种称为 Robust Super-Resolution (RSR) 的新方法，该方法利用敌对攻击的泛化能力来解决现实世界的超分辨率问题，并证明其相对现有最先进方法在真实世界数据集上的泛化能力更强。

Aug, 2021

提出了一个名为 Real-RawVSR 的实际原始视频超分辨率 (Raw Video Super-Resolution) 数据集，包含了 450 个不同场景下的低分辨率和高分辨率视频对，并利用两个 DSLR 相机和一个分束器进行采集，同时提出了一种基于两种 RGGB 和原始 Bayer 模式交替使用的两支分支网络，以生成对应的高分辨率 sRGB 图像。实验结果表明，该方法在处理是原始和 sRGB 输入的真实和合成视频上优于基准方法。

Sep, 2022

本文旨在介绍一种利用小量参考图像进行降级分布的模拟，并使用 Frechet 距离度量的方法来提高超分辨率技术在真实应用场景中的泛化能力和测试精度。

May, 2023

本文提出了一种基于 Laplacian 金字塔的核预测网络（LP-KPN）来恢复高分辨率图像，通过使用实际拍摄的 LR-HR 图像对构建 RealSR 数据集，证明了使用此数据集训练的 SISR 模型在真实场景中能够提供更好的视觉效果，且模型能够适应不同的相机设备。

Apr, 2019

本研究将 ESRGAN 应用于实际的纹理恢复应用中，在处理复杂的真实世界退化图像时，引入高阶退化建模过程，并考虑到常见的环绕和过冲伪影，采用具有谱归一化的 U-Net 鉴别器来增强鉴别器的能力和稳定训练动力学， 并提供了实时生成训练样本的高效实现。

Jul, 2021