该研究提出一种轻量级特征融合网络 (LFFN)，利用主轴块和 softmax 特征融合模块 (SFFM) 来实现全面探索多尺度上下文信息、极大地降低网络参数而最大化单幅图像超分辨率 (SISR) 结果。

Feb, 2019

本文提出了一种轻量级多尺度特征交互网络（MSFIN）用于图像超分辨率，通过扩展感受野和利用来自各种尺度的低分辨率观察图像的信息特征以及交互连接。此外，设计了一种轻量级的循环残差通道注意块（RRCAB）以便使网络受益于通道注意机制同时保持足够轻量级。与现有技术相比，本文所提出的 MSFIN 能够以更轻量的模型实现可比性能。

Mar, 2021

本研究提出了一种自适应加权超分辨率网络（AWSRN），其中包括局部融合块（LFB）和自适应加权多尺度（AWMS）模块，以提高超分辨率任务中的效率和性能。实验结果表明，AWSRN 取得了比当前最先进的方法更好的性能，并且具有轻便的特点。

Apr, 2019

介绍了一种基于 Residual Laplacian Network 的超分辨率算法，利用多尺度特征，并实现了深度监督学习和 Laplacian attention 机制， 在低分辨率，噪声低分辨率和真实历史图像基准数据集上得到了较好的视觉和准确性表现。

Jun, 2019

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

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

提出透過堆疊高度優化的卷積和激活層以及降低特徵融合的方式，設計了一款適用於資源受限設備的快速且記憶體效率高的網路（FMEN 及其小版本 FMEN-S），並應用於圖像超分辨率研究，包含透過逐像素進行局部和全局內容的考量，強化高頻細節的序列注意力分支等技術，有效達成比當前最先進的 EISR 模型：E-RFDN 更快的運行速度以及減少 74％的記憶體消耗的成果。

Apr, 2022

提出了一种名为 FAN 的频率聚合网络方法，它能够针对复杂的现实降解恢复真实世界低分辨率图像的高分辨率版本，通过提取不同频率的低分辨率图像，并分别传递到一种称为 CA-GRDB 的通道注意力聚合残差密集网络中，最后自适应地聚合这些残余特征图来恢复具有增强细节和纹理的高分辨率图像，实验证明该方法在 AIM2020 挑战赛的真实图像超分辨率任务上表现出色，最终权衡指标 PSNR 达到 31.1735，SSIM 达到 0.8728，我们的团队 SR-IM 获得该赛道的第四名。

Sep, 2020

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

本文提出了一种新型的残差稠密网络 (RDN)，该网络通过引入残差稠密块 (RDB) 来充分利用原始低分辨率图像的层级特征，并通过局部特征融合和全局特征融合来稳定更广泛的网络培训，进而在基准数据集上展示了 RDN 相对于现有最先进的方法所取得的更高性能。

Feb, 2018