该论文提出了一种轻量级信息多蒸馏网络（IMDN），通过构建包含蒸馏和选择性融合部分的级联信息多蒸馏块（IMDB），并使用自适应裁剪策略（ACS）来处理任何大小的图像，实现任意比例的超分辨率，同时利用中提出的对比度感知通道注意机制来评估候选特征的重要性，并将它们聚合起来。大量实验证明，该方法在视觉质量、内存占用和推理时间方面优于现有技术。

Sep, 2019

本文提出了一种基于特征蒸馏连接（FDC）的轻量级单图像超分辨率模型，即残差特征蒸馏网络（RFDN），它使用多个特征蒸馏连接来学习更具区分性的特征表示，同时提出了浅残差块（SRB）作为 RFDN 的主要构建块，通过大量实验证明，与现有的最先进方法相比，所提出的 RFDN 在性能和模型复杂度方面有更好的折衷效果，并在 AIM 2020 高效超分辨率挑战赛中获得了第一名。

Sep, 2020

本文介绍了一种基于卷积神经网络的图像超分辨率方法 ——FSRCNN，该方法使用极小的网络参数达到了良好的效果，并使用一种新颖的蒸馏框架，通过教师和学生网络进行高分辨率的重建，大大提升了网络性能。

Jul, 2020

本研究提出了一种基于迭代优化的新型迭代超分辨率网络（ISRN）来解决单幅图像超分辨率问题，使用特征归一化和残差结构来提高网络表示性能，并在多项测试基准中展示了其在恢复图像结构信息和图像质量提高方面的卓越表现。

May, 2020

本论文提出了一种深度但紧凑的卷积神经网络，通过特征提取、信息提炼和重构网络三部分组成，使用带有增强单元和压缩单元的信息提炼块提取局部长短路径特征，具有快速执行的优点，实验结果表明其在超分辨率方面优于现有方法，特别是时间表现。

Mar, 2018

本文提出了一种名为 AdaDSR 的单图像超分辨率方法，使用自适应推理网络和轻量级适配器模块来预测局部网络深度，并使用高效的稀疏卷积进行自适应推理。

Apr, 2020

本研究提出了利用通道分割网络（CSN）来缓解深度学习模型的表达负担，从而提高医学磁共振图像的空间分辨率。在各种磁共振图像（包括质子密度（PD）、T1 和 T2）上进行了广泛的实验，证明了所提出的 CSN 模型在单张图像超分辨率方面比其他最先进的方法具有更出色的性能。

Oct, 2018

该研究使用 Residual Dense Networks（RDN）架构并分析了其组件的重要性，通过利用原始低分辨率（LR）图像的分层特征，该架构实现了卓越的性能，具有四个主要块，包括作为核心的残留密集块（RDB），并通过使用各种损失指标的研究和分析评估了体系结构的有效性，将其与其他不同体系结构和组件的最先进模型进行比较。

Apr, 2023

本文介绍了一种使用 Charbonnier Loss 函数构建内容损失，并将其与提出的感知损失和对抗性损失相结合的超分辨率感知生成对抗网络 (SRPGAN) 框架，能够更好地重建具有高频细节和清晰边缘的高分辨率图像。与其他现有模型相比，该模型在大多数基准测试中都能取得更高的结构相似性指数 (SSIM) 分数。

Dec, 2017

本文提出了一种基于 Mixed Gradient Error 的深度学习网络 ——Modified U-net，将其作为损失函数，减少网络参数，从而加速图像重构，与现有方法相比，该重构方法具有更好的性能和时间消耗。

Nov, 2019