本文提出了基于模糊内核建模方法的深度卷积神经网络模型，用于解决视频超分辨率问题，该模型包括运动模糊估计、运动估计和潜在图像恢复模块，实验证明该算法能够生成结构更清晰、细节更好的图像，并且性能优于当前先进的方法。

Mar, 2020

本研究提出了一个新的非参数性盲超分辨率方法，该方法包括使用卷积一致性约束来指导估计的非盲学习型超分结果，并对高清图像和模糊核进行异常的 bi-l0-l2 - 范数规则化，最后比较实验证明，该方法在核估计准确性和图像超分辨率质量方面都表现优异。

Mar, 2015

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

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

本文提出了一种基于知识蒸馏的隐式降级估计网络，结合了此网络与高效的 SR 网络，实现了在未知退化情况下的盲图像超分辨率，同时设计了一种基于动态卷积残差块的新型降级表示方法 IDR，经过广泛的实验验证表明，KDSR 网络具有最先进的性能，并可以推广到各种退化过程。

Nov, 2022

本文提出了一种新的盲超分辨率框架 KOALAnet，它基于 Kernel-Oriented 自适应局部调整（KOALA）SR 特征，联合学习在实际图像中适应于空间变异模糊特征的空间变型退化和恢复核，可处理艺术照片中的故意模糊并产生最自然的结果。

Dec, 2020

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

现在，基于深度学习的方法在理想的超分辨率（SR）数据集上展现出了令人印象深刻的性能，但在应用于具有不可预测模糊核的现实 SR 重建任务时，大多数这些方法会显著降低性能。为了解决这个问题，提出了盲 SR 方法来改善随机模糊核造成的视觉结果，这同样导致理想低分辨率图像的重建效果不理想。本文提出了一个用于理想和盲 SR 任务的双赢框架，命名为 S2R，包括一个轻量级的基于 transformer 的 SR 模型（S2R transformer）和一种新颖的自上而下的训练策略，可以在理想和随机模糊条件下实现出色的视觉结果。在算法层面上，S2R transformer 巧妙地组合了一些高效且轻量级的块，以增强提取特征的表示能力，并且具有相对较少的参数。对于训练策略，首先进行粗粒度的学习过程，通过大规模外部数据集的帮助来改进网络的泛化能力，然后，开发了一种快速微调过程，通过挖掘图像的内部特征将预训练模型转移到现实 SR 任务中。实验结果表明，提出的 S2R 在理想的 SR 条件下仅使用 578K 参数就优于其他单图像 SR 模型。同时，在盲模糊条件下，它可以实现比常规盲 SR 模型更好的视觉效果，仅使用 10 次渐变更新就提高了收敛速度 300 倍，显著加速了在现实世界情况下的迁移学习过程。

Aug, 2023

本篇论文提出了一种简单有效的基于像素替换的图像超分辨率算法，该算法使用深度神经网络估计中间高分辨率图像，并通过从低分辨率图像替换像素值来满足图像形成模型，并进行级联细化。实验结果显示，所提出的算法在图像超分辨率方面的性能优于现有的同类算法。

Aug, 2019

本文提出了一种基于深度神经网络和插拔式图像恢复技术相结合的原理性公式和框架，使得任意位于低分辨率图像的模糊核能够被处理，为此设计了一个新的图像降级模型，并基于该模型提出一个基于变量分割技术的插拔式算法，实现了预处理和任意大小和类型的超分辨率。

Mar, 2019