该论文提出了一种随机洗牌方法来模拟真实的降级因素并在合成的数据集上训练深度神经网络，使其在真实世界的视频超分辨率方面表现更好。结果显示，相较于 RealBasicVSR 在 NRQM 方面提高了 7.1％，相较于 BSRGAN 提高了 3.34％。同时，该论文也提出了一个新的包含高分辨率真实视频的数据集，可作为基准测试的共同参照。

May, 2023

该论文系统研究了基于深度学习的 33 种视频超分辨率方法，提出了一个分类法并将这些方法分属到六个子类中，并详细描述了所有方法的体系结构和实现细节。通过在一些基准数据集上对代表性 VSR 方法的性能进行总结和比较，讨论了 VSR 领域中需要进一步研究的一些挑战。这项工作预计对 VSR 技术的深度学习方法做出贡献，从而深化我们对该领域的理解，并成为该领域中最早的系统研究之一。

Jul, 2020

通过图像预处理，设计了一种在处理现实世界视频超分辨率中平衡细节合成和伪影抑制的 RealBasicVSR 模型，并且提出了一种随机退化方案来降低训练时间，同时使用更长序列代替更大批次进行训练以提高模型的稳定性。此外，还创建了新的 VideoLQ 数据集来作为基准测试的公共基础。

Nov, 2021

本文提出了一种基于动画制作工作流程的超分辨率方法，通过选择视频源中最少压缩和最具代表性的帧来构建动画图像数据集，并通过引入预测导向的压缩模块和增强手绘线条的伪地面真实值准备方法，解决了失真和淡色伪影的动画特定问题，同时引入平衡的双感知损失来减轻不必要的色彩伪影和提高视觉清晰度，在公开基准测试中验证了本方法优于当前最先进方法的效果。

Mar, 2024

本研究提出 DynaVSR 框架，采用元学习技术，在实际视频 SR 场景下实现了较快速的降采样模型估计和自适应学习，并与视频 SR 网络无缝结合，实现了比现有的盲目 SR 方法更快的推理时间和更高的性能提升。

Nov, 2020

本文提出了一种新颖的循环残差网络模型用于视频超分辨率，该模型相比于其他几种建模方法具有更高的计算效率和更好的超分辨率效果，取得了当前最好的结果。

Aug, 2020

本文提出了一种新的 VSR 方法，采用重建模块和深度推理模块来高效利用相机传感器数据。与现有方法不同，该模型在分离超分辨率和颜色校正的过程中具有显著性能优势。

Aug, 2020

本研究采用 Transformer 对视频超分辨率问题进行了改进，引入了空时卷积自注意力层以利用数据位置信息，设计了双向光流驱动前馈层以发现不同视频帧之间的相关性并对齐特征，实验证明了这种方法的有效性。

Jun, 2021

本文提出了一种基于 Laplacian 金字塔的核预测网络（LP-KPN）来恢复高分辨率图像，通过使用实际拍摄的 LR-HR 图像对构建 RealSR 数据集，证明了使用此数据集训练的 SISR 模型在真实场景中能够提供更好的视觉效果，且模型能够适应不同的相机设备。

Apr, 2019

提出了一种基于负样本增强策略的视频超分辨率模型（NegVSR），通过可生成实际噪声序列的顺序噪声生成，扩展了退化域来建立不同而具有挑战性的现实世界噪声集合，并提出了增强的负向引导损失，以有效地学习增强后的负向特征。实验结果表明，我们的方法在视觉质量方面明显优于现有最先进的方法。

May, 2023