本文提出了一种基于注意机制的纹理转换神经网络（TTSR），采用 DNN 可学习的纹理提取器、相关嵌入模块、用于纹理传输的硬注意力模块，并且结合 LR 和 Ref 图像进行联合特征学习，从而实现图像的纹理恢复。经过广泛实验，TTSR 在定量和定性评估上都取得了显著改进。

Jun, 2020

本文提出了一种基于语义图像细节增强的图像超分辨率方法，其中利用文本和图像模态的多模态融合学习来提高图像的语义准确性和视觉质量。该方法通过粗到细的过程生成文本描述匹配的高分辨率图像细节，实验证明该方法具有显著的效果。

Jul, 2022

本文提出了一种连续的隐式关注网络，称为 CiaoSR，以解决在单张图片超分辨率重建中可能遇到的局部模型信息不足、感受野受限的问题，并在多个基准数据集上实验表明 CiaoSR 显著优于现有的单个图像超分辨率方法，并取得了任意比例超分辨率任务的最佳性能。

Dec, 2022

通过提出一种深度残差卷积生成对抗网络（SRResCGAN）来解决真实世界中图像修复过程缺失的问题，该网络通过对 HR 领域的像素级监督来对模型进行敌对训练，并利用残差学习和凸优化技术来最小化能量函数，我们的实验表明，该方法易于部署到其他下采样算子和移动 / 嵌入式设备上，并且能够更好地适应真实世界中的图像噪声问题。

May, 2020

本研究提出了一种基于 CycleGAN 和 GAN 框架的超分辨率方法，能够在真实世界的低分辨率与高分辨率图像转换中，保持数据分布的连续性，表现出较高的超分辨率效果。

Sep, 2020

提出了一种基于 Transformer 的生成对抗网络（SRTransGAN）来进行图像超分辨率，通过使用编码器 - 解码器网络生成 2x 图像和 4x 图像，使用视觉 Transformer 设计判别器网络来对合成和真实高分辨率图像进行二分类，通过分析显著性地图来了解所提方法的学习能力，SRTransGAN 方法在 PSNR 和 SSIM 评分的平均值上优于现有方法 4.38%。

Dec, 2023

通过将图像分割为不重叠的图块、使用金字塔结构选择感兴趣的图块，并利用深度特征仅重构这些选定的图块，我们提出了一种新颖的基于变压器的算法 Selective Super-Resolution（SSR），解决了常规超分辨率方法在放大整个大图像时的巨大计算成本和在背景细化过程中引入额外或可能有害信息的两个缺点。实验证明，我们的方法在超分辨率方面具备效率和稳健性，在 BDD100K 数据集上与最先进的方法相比，FID 评分从 26.78 降低到 10.41，计算成本减少了 40%。源代码可在此 https URL 获得。

Dec, 2023

本研究提出了一种新的基于无监督图像转换与监督超分辨率相结合的框架，该框架在 NTIRE 2017 和 2018 质量挑战数据集上取得了良好的性能，同时可以在失真与感知质量之间保持灵活平衡。

Oct, 2019

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

最近，基于隐式神经表示的方法在任意尺度超分辨率（ASSR）方面展现出了出色的能力。我们设计了多尺度隐式变换器（MSIT），其中包含一个多尺度神经操作器（MSNO）和多尺度自注意力（MSSA）。通过功能增强、多尺度特征提取和多尺度特征融合，MSNO 获得了多尺度潜在编码。MSSA 进一步增强了潜在编码的多尺度特征，从而提高了性能。此外，为了改进网络性能，我们提出了与累积训练策略相结合的重互作用模块（RIM），以改进网络学习信息的多样性。我们首次在 ASSR 中系统地引入了多尺度特征，并进行了大量实验证明了 MSIT 的有效性，我们的方法在任意超分辨率任务中取得了最先进的性能。

Mar, 2024