本文提出了基于生成模型的感知图像超分辨率方法，结合变分自编码器实现了联合降噪和超分辨率，使用条件生成对抗网络实现了具有良好视觉效果的图片超分辨率，并通过实验验证了该方法的有效性。

Apr, 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

通过在变分自编码器中添加缩小版本的图像随机变量，提高图像生成的质量表现，使该方法在负对数似然方面和 VAE 表现相当，同时在数据合成方面获得更好的 FID 得分。

Jun, 2020

本论文研究了基于深度学习方法的图像压缩，以卷积自编码器（CAEs）、生成对抗网络（GANs）、超分辨率（SR）为基础开发了三种压缩结构，进行了全面性能比较。实验结果显示，CAEs 通过提取紧凑的特征比 JPEG 实现了更好的编码效率。GANs 在大压缩比和高主观质量重建方面具有潜在的优势。超分辨率在它们中表现出最佳的速率 - 失真（RD）性能，可与 BPG 相媲美。

Jul, 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

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

通过引入 SuRGe，一种基于全卷积生成对抗网络（GAN）的超分辨率生成器，我们展示了通过一组可学习的凸权重优化 GAN 生成器的逐渐增加深度的不同卷积特征，从而提高生成的超分辨率样本的质量。同时，通过使用 Jensen-Shannon 和 Gromov-Wasserstein 损失计算 SR-HR 和 LR-SR 分布之间的距离，进一步帮助 SuRGe 生成器更好地利用可用信息以改进超分辨率。此外，我们使用带有梯度惩罚的 Wasserstein 损失训练 SuRGe 的判别器，主要用于防止模态崩溃。与 18 个最先进的竞争模型在 10 个基准数据集上相比，所提出的 SuRGe 以其卓越性能得到证实。

Apr, 2024

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

这篇论文总结了使用深度学习算法，如生成对抗网络，进行超分辨率图像和视频研究的最新进展，提供了改进图像和视频质量的方法，如递归学习、新颖的损失函数、帧率增强和注意力模型集成。这些进展对于增加低分辨率视频的视觉清晰度和质量具有巨大潜力，可应用于监控技术、医学成像等多个领域。此外，这个集合还深入研究了生成对抗网络的更广泛领域，探讨了它们的原理、训练方法以及在各个领域的应用，同时强调了人工智能领域中不断发展和变化的挑战与机遇。

Dec, 2023

本文提出了 SRGAN 框架，通过引入对抗性损失和感知损失函数，成功应用 GAN 进行图像超分辨率，能够生成 4 倍放大因子下的自然真实图像。大量实验和 MOS 测试证明 SRGAN 在视觉效果上具有显著的优势。

Sep, 2016