该论文提出了一种基于隐式图像函数的新网络设计 ——UltraSR，它深度融合了空间坐标和周期编码，并通过实验证明了空间编码对于高性能隐式图像函数的重要性，并在 DIV2K 基准测试中取得了新的最先进表现。

Mar, 2021

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

单张图像超分辨率（SISR）使用深度卷积网络取得了显著的进展，但传统网络只能将图像放大到固定比例，因此利用隐式神经函数生成任意比例的图像；本文介绍了一种新颖高效的框架 —— 混合专家隐式超分辨率（MoEISR），它在显著提高计算效率的同时，能够以任意比例进行超分辨率重建，而不损失重建质量；MoEISR 利用轻量级映射器模块动态分配最适合的解码专家给每个像素，使具有不同容量的专家能够重建复杂度各异的区域像素；实验证明，MoEISR 能够在缩减高达 73% 的浮点运算（FLOPs）的同时，提供相当或更优的峰值信噪比（PSNR）。

Nov, 2023

本文提出了一种通过分析光场图像超分辨率嵌入的几何关系并引入虚拟狭缝图像（VSI）的新 LF 子空间来提高效率的方法，并且使用超采样和 EPIXformer 几何感知译码器对低分辨率 LF 数据进行超分辨率重建，实验结果表明该方法在各种差异处理方面优于其他现有方法。

May, 2023

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

本文提出了一种名为 LIIF 的局部隐式图像函数，通过输入图像坐标和周围的 2D 深度特征，预测给定坐标的 RGB 值，训练得到的连续表示可以呈现在任意分辨率下，甚至可以外推到高达 x30 的分辨率，同时 LIIF 还在 2D 中构建了离散和连续表示之间的桥梁。

Dec, 2020

连续图像超分辨率 (SR) 一直受到研究人员的关注，因为它可以在各种显示设备上实现实用且灵活的图像缩放。本文提出了一种 Soft-introVAE 方法，用于连续潜在空间图像超分辨率 (SVAE-SR)，通过局部隐式图像表示来进行坐标和二维特征的插值，同时采用一种新颖的潜在空间对抗训练方法来实现保真度很高的图像恢复，进一步利用位置编码方案通过汇集像素区域上的频率信息来改进质量。我们通过定量和定性比较展示了提出的 SVAE-SR 的有效性，并进一步阐述了其在去噪和真实图像超分辨率方面的泛化能力。

Jul, 2023

本文提出基于位置编码和跨尺度图像合成的方法，并在多个数据集上展现了稳定高质量的生成效果。

Apr, 2022

通过引入正交位置编码和使用线性组合操作，提高随机尺度图像超分辨率的表示能力，进一步提高计算效率和内存利用率。

Mar, 2023

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