该研究提出了一种新颖的向导超分辨率方法，将问题视为像素级向导图到源图像域的映射，使用无监督学习和多层感知机来参数化映射函数，达到超分辨率的效果，并在深度图和树高图两个任务中均优于其他基线算法。

Apr, 2019

本研究提出了一种结构保留超分辨率的方法，利用图像的梯度图来指导恢复，同时使用梯度损失和图像空间损失函数，帮助生成网络更加注重几何结构。实验结果表明，该方法在恢复结构的同时生成了自然的高清图片，并且在感知度和峰值信噪比等指标上表现出色。

Mar, 2020

本文提出了一种新颖的方法，将有向各向异性扩散技术和深度卷积神经网络相结合，实现了超分辨率深度图像的指导。该方法以前人的研究为基础，在边缘转移 / 增强性，与现代网络的上下文推理能力和严格的校准步骤的保证下，在三个常用的超分辨率指导深度准则下展现了前所未有的成果。

Nov, 2022

监督深度学习可以通过学习两种图像分辨率或模态之间的映射来人工增加显微镜图像的分辨率。我们提出了一种基于规则化潜在搜索（RLS）的强大超分辨率方法，它在保持实际效果和真实性之间提供了可行的平衡，并结合了深度学习和基于可解释生物特征的手工算法的计算超分辨率和量化任务。这种两步过程对于移动设备等各种应用具有潜在的潜力。

May, 2024

结合基于模型的方法和数据驱动的深度学习方法，利用图拉普拉斯正则化作为可训练模块进行真实图像去噪，提出一种可全程微分和端对端训练的图像去噪方法，不易过拟合，跨领域泛化性能强，相对于现有技术具有显著的优越性。

Jul, 2018

本论文提出了一种基于图网络和对抗性损失的数据驱动的点云超分辨率方法，利用局部相似性和输入输出之间的类比，在图卷积中添加残差连接和输入输出之间的跳跃连接，结合了 Chamfer Distance 和对抗性损失的新型损失函数，实现了自动提取高分辨率点云的特征，实验证明该方法的性能优于其他方法并具有较好的泛化能力。

Aug, 2019

本论文提出了一种名为 DEGREE 的神经网络，其利用递归残差学习深度引导边缘增强的技术，通过次带频率分解来有效地恢复图像的高频细节和保持其边缘细节，与传统方法相比，在三个标准数据集上达到了更优秀的还原效果。

Apr, 2016

本研究提出了一种新的光场超分辨率算法，采用多帧方法，使用不同光场视图中的信息来增强整个光场的空间分辨率，结合图形正则化器通过非局部自相似性来避免各个视图昂贵且具挑战性的差异估计步骤。实验表明，本算法在 PSNR 和视觉质量方面都与其他光场超分辨率最先进方法相比优越。

Jan, 2017

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递归结构注意力引导的深度超分辨率网络，采用对比网络来进行自适应的高频信号提取，并利用递归结构注意力块来提供准确的深度恢复引导，实现了在深度超分辨率任务上的优异性能。

Jan, 2023