图像超分辨率重训练 Dropout
利用深度学习在单图像超分辨率（SISR）方面取得了显著进展，尽管大部分现有工作假设简单且固定的降级模型，但盲目超分辨率的研究旨在改进对未知降级能力的建模，本文提出了一种更合适的训练策略利用 Dropout 来提高盲目超分辨率的模型泛化能力，同时降低 Dropout 引入的不良副作用，我们通过理论和实验分析展示了这种方法的效果，并通过调整一阶和二阶特征统计量提出了另一种简单但有效的训练策略，该方法在包括合成和真实世界场景在内的七个基准数据集上表现更好，可作为一种与模型无关的正则化方法。
Feb, 2024
本研究探讨图像超分辨率如何在低分辨率图像目标检测任务中发挥积极作用，提出了一种新的框架来训练深度神经网络，通过传统检测 loss 与显式结合得到的检测 Loss 来优化超分辨率子网络，证明了任务驱动的超分辨率能显著提高各种条件和缩放因子下目标检测器在低分辨率图像上的准确性。
Mar, 2018
本研究调查了单图像超分辨率的经典方法和基于深度学习的方法，将这些方法分类为四类，并介绍了 SR 的问题，提供了图像质量指标，参考数据集和 SR 的挑战。其中包括 EDSR，CinCGAN，MSRN 等最先进的图像 SR 方法。
Feb, 2021
这篇论文系统地回顾了最近盲目图像超分辨率的研究进展，提出了一个分类法以区分现有的方法，并对常用数据集和以前的比赛进行了总结。同时，通过对合成和真实测试图像的详细分析，对不同方法的优缺点进行了比较。
Jul, 2021
该研究提出了一种双重回归方案，通过从低分辨率图像到高分辨率图像的映射和从低分辨率图像估计唯一的下采样核并重建低分辨率图像的过程来降低可能函数的空间，从而提高图像超分辨率任务中的性能。
Mar, 2020
采用交替优化算法，通过设计卷积神经网络模块 Restorer 和 Estimator，实现了盲超分辨率重建，克服了降解估计准确性不高的问题，从而获得更鲁棒和准确的最终结果。
Aug, 2023
本文提出了将盲超分辨率预测机制与深度超分辨率网络相结合的框架，通过在 SR 网络特征映射中插入预测向量的元数据插入块，我们展示了最先进的对比预测方案和迭代预测方案在 RCAN 和 HAN 等高性能 SR 网络中成功地结合使用的结果，实现了比非盲和盲超分辨率网络更强大的超分辨率性能。
Nov, 2022
该研究提出了一种学习统一框架下的一组 SR 预测模块的方法，这些模块专注于不同的图像局部模式和使用神经网络来进行图像超分辨率，相比其他方法在广泛范围内实现了最先进的恢复效果。
Jan, 2017
本文综述了近年来深度学习在图像超分辨率中的广泛应用，重点介绍了监督式、非监督式、以及领域特定的图像超分辨率技术。同时讨论了公开可用的基准数据集和性能评估指标等重要问题，并提出了未来需要进一步研究的方向和问题。
Feb, 2019