本文提出了基于深度神经网络框架加入视差限制机制的 DCSSRnet 算法，用于提高立体图像对的空间分辨率，实验结果表明该算法在定量和定性评估上优于目前的 SR 方法。

Mar, 2020

本文研究高清晰度重建中的量化质量和感知质量之间的平衡关系，并提出了一种新的超分辨率方法，该方法结合深度网络、鉴别器网络和两个定量评分预测器网络，可以在保持传统定量性能的同时提高上采样图像的感知质量。实验结果表明，所提出的方法在量化和感知质量之间取得了良好的平衡，比现有方法更令人满意。

Sep, 2018

通过利用低分辨率图像和比例因子来评估图像超分辨率（SR）图像的感知质量和重建保真度，本研究提出了一种新颖的双分支减参考 SR-IQA 网络（PFIQA），其中感知分支利用 Vision Transformer（ViT）和 ResNet 的全局建模和局部关系，结合比例因子实现综合视觉感知，而保真性分支通过视觉感知评估低分辨率和超分辨率图像之间的重建保真度，两个分支的结合与人类视觉系统高度契合，实现全面的 SR 图像评估。实验结果表明，PFIQA 在三个广泛使用的 SR-IQA 基准测试中优于当前最先进的模型，特别在评估真实世界 SR 图像质量方面表现出色。

May, 2024

本文提出了一种新的单图像超分辨率 (SISR) 框架，该框架采用了适用于每个区域的最佳目标以生成整体区域的高分辨率输出，并在五个基准测试中取得了优异的结果。

Nov, 2022

本论文提出了一种新颖的方法，通过整合隐式立体信息辨别器和混合降质模型来弥补现实世界立体域中复杂降质与现实世界单幅图像超分辨率领域中简单降质之间的差异，确保有效增强并保持视差一致性。

Dec, 2023

本文介绍了一种通过深度学习框架 Bi-GANs-ST 结合两种生成对抗网络，分别注重客观性能和主观感知的权重感知 SRGAN 和记忆残留 SRGAN，再使用软阈值法合并两个模型的结果从而实现在感知指标和均方根误差之间平衡的超分辨率图像生成方法。实验结果表明，该方法在 PIRM 2018 挑战赛的感知超分辨率任务上表现良好，且在五个基准测试数据集上都具有高度竞争性的性能。

Nov, 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

本文提出了一种分阶段新颖的感知图像超分辨率方法，第一阶段集中于最小化点之间误差，第二阶段利用前一阶段提取的特征来追求更好的结构保留，并采用第二阶段提取的细节结构特征来产生更真实的结果，通过多尺度特征融合，提出的方法优于现有方法。

Jul, 2019

通过集成梯度自由进化算法与基于梯度的 Adam 算法，构建了一个新的优化器，将超分辨率中的感知和失真权衡问题转化为多目标优化问题，并通过融合网络将不同感知 - 失真偏好的最佳模型合并为一个更强大的模型，实验表明，我们的方法训练得到的感知 - 失真平衡的超分辨率模型能够在感知质量和重建保真度方面优于竞争方法。

Dec, 2023

本研究提出了一种混合尺度选择性融合网络（MSSFNet），用于提高立体图像超分辨率（stereoSR）结果的质量，包括保留精确的空间细节和丰富的上下文信息，并自适应地选择和融合来自两个视角的最准确的特征，以增强高质量的 stereoSR 效果。

Jun, 2024