本文提出了一种基于注意机制的纹理转换神经网络（TTSR），采用 DNN 可学习的纹理提取器、相关嵌入模块、用于纹理传输的硬注意力模块，并且结合 LR 和 Ref 图像进行联合特征学习，从而实现图像的纹理恢复。经过广泛实验，TTSR 在定量和定性评估上都取得了显著改进。

Jun, 2020

本文提出了一种引用图像超分辨率 (RefSR) 的深度学习模型，借鉴图像风格化的思想，通过在神经空间进行多级匹配，实现了从参考图像中自适应地转移纹理，有效地提高了超分辨率的性能，并建立了参考图像超分辨率通用研究的基准数据集。

Mar, 2019

参考图像超分辨率的关键词是 Reference-Based image super-resolution、attention mechanisms、deep architectures、texture match 和 Super Resolution。该方法通过引入注意机制，从参考高分辨率图像中转移高分辨率纹理，提高低分辨率图像的质量。对于每个低分辨率补丁，我们使用更高效的内存使用率进行深层搜索以减少图像补丁数量，并找到 $k$ 个最相关的纹理匹配，从而获得准确的纹理匹配。通过使用简单的残差架构和梯度密度信息来增强超分辨率结果，显示了有竞争力的指标结果：PSNR 和 SSMI。

Oct, 2023

该研究提出了一种使用参考图像进行高保真图像超分辨率的新方法，针对双摄像头超分辨率进行了重点研究，其利用空间对齐操作推广了标准的基于补丁的特征匹配方法。进一步探索了 RefSR 的一种有前途的应用：双摄像头超分辨率，并构建了由智能手机主摄像头和长焦摄像头的 146 个图像对组成的数据集。此外，为了弥合现实世界图像和训练图像之间的领域差距，该研究提出了一种自我监督的领域自适应策略。对数据集和公共基准的广泛实验表明，该方法在定量评估和视觉比较方面均显著优于现有最优方法。

Sep, 2021

通过引入扩散模型来生成和增强低分辨率图像中的细节，本文提出了一种用于基于参考的超分辨率的细节增强框架（DEF），能够促进对齐，同时避免参考图像的影响，实验结果表明该方法在视觉效果上具有优势同时保持可比较的数值结果。

May, 2024

我们提出了 DARTS，一种用于基于参考图像的图像超分辨率的 transformer 模型，它通过匹配高分辨率参考图像中学习到的对应关系来增强低分辨率输入图像的内容。我们的工作展示了如何将注意机制应用于基于参考图像的图像超分辨率的特定要求中，显著简化了架构和训练过程。我们的基于 transformer 的模型在 SUN80 数据集上表现出与先进模型具有竞争力的性能，同时保持了更简单的总体架构和训练过程。

Jul, 2023

本文提出了一种新颖的基于注意力的多参考超分辨率网络（AMRSR），该网络可以在保持空间相干性的同时，通过学习从多个参考图像中自适应地传输最相似的纹理到超分辨率输出来提高细节。与现有的参考超分辨率方法相比，多参考和分层注意力采样方法的结合实现了显着改进。

Aug, 2021

本文提出了一种特征重用框架，用于引导逐步纹理重建过程，减少感知损失和对抗性损失的负面影响，并通过单图特征嵌入模块和纹理自适应聚合模块来进行准确的对应匹配和纹理信息传输，从而增强了参考纹理的利用并减少了误用。

Jun, 2023

我们提出了一种新的基于降噪感知自注意的 Transformer 模型，将 CNN 和 Transformer 组件结合到超分辨网络中，实现了在盲超分辨率方面的最先进性能。

Oct, 2023

本文提出 MASA 网络用于参考图像超分辨率 (RefSR)，其中提出了两个创新模块用于解决当前方法中存在的计算开销大、分布不一致等问题，并通过定量和定性实验验证了模型的有效性。

Jun, 2021