本文介绍了一种新颖的逼真分离数据生成器（RealDGen），该生成器是为了解决现有图像超分辨率技术在复杂实际环境中泛化效果不佳的挑战所设计的。通过精心设计内容和降解提取策略，并将其整合到一种新颖的内容降解分离扩散模型中，从不成对的实际低分辨率和高分辨率图像中创建逼真的低分辨率图像。大量实验证明了 RealDGen 在生成大规模、高质量的配对数据方面的出色表现，模拟了真实世界的降解情况，并显著提升了各种真实世界基准测试中流行的超分辨率模型的性能。

Jun, 2024

通过抑制图像中局部的退化表示的不确定性，提出了一个基于不确定性的退化表示的自监督学习方法，用于将低分辨率图像恢复为高分辨率图像。模型由两部分组成：自适应不确定性感知的退化提取（AUDE）和由可变深度动态卷积（VDDC）块组成的特征提取网络，实验证明该方法的优越性。

Jun, 2024

本文提出了一种双向的结构一致性网络，以无监督的方式训练降噪和超分辨率网络，通过生成对抗网络模拟现实世界的 LR 图像降级过程，结合现实世界的 HR 图像，然后利用这些生成的 LR 图像训练 SR 重建网络实现超分辨率。实验表明，该算法在合成和真实场景的超分辨率任务中性能表现都优秀。

Dec, 2018

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

本文提出了一种基于生成式对抗网络的无配对图像超分辨率方法，使用一个不需要配对 / 对齐的训练数据集的 unpaired kernel/noise correction 网络和一个伪成对 SR 网络来进行无配对 SR，该方法不仅能够准确去噪并调整 LR 图像的内核，而且还能够生成精确的 HR 图像。

Feb, 2020

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

本文提出了一种基于生成对抗网络的图像和人脸超分辨率的方法，通过训练高分辨率到低分辨率的 GAN 和低分辨率到高分辨率的 GAN 两个阶段，可以有效地提高实际应用场景下的低分辨率图像的质量，进而在人脸超分辨率领域取得了显著成果。

Jul, 2018

本论文提出了一种深度生成对抗网络用于超分辨率，考虑了感知与失真之间的权衡，采用传统内容损失的基础上，使用离散余弦变换系数损失和差分内容损失来考虑内容感知，实现高分辨率图像的恢复。实验结果表明该模型在恢复图像的视觉效果和失真程度方面具有良好的性能，是一种有效的感知超分辨率应用算法。

Sep, 2018

本文提出了一种更复杂但实用的退化模型，其中包括随机混合的模糊，下采样和噪声退化，以达到改善单图超分辨率方法的实用性的目的。实验结果表明，这个新的退化模型可以显著改善深度超分辨率方法的实用性，为真实的单图超分辨率应用提供了一种强有力的替代解决方案。

Mar, 2021

本文提出了一种全无监督超分辨率问题的解决方案，通过降噪和下采样低分辨率图像来创建一组伪成对图像，将原始无监督问题转化为一个水平更低的监督学习问题，通过 NTIRE 2020 超分辨率挑战展示了这种简单方法的先进性。

Apr, 2020