本文提出了一种名为 LIIF 的局部隐式图像函数，通过输入图像坐标和周围的 2D 深度特征，预测给定坐标的 RGB 值，训练得到的连续表示可以呈现在任意分辨率下，甚至可以外推到高达 x30 的分辨率，同时 LIIF 还在 2D 中构建了离散和连续表示之间的桥梁。

Dec, 2020

DIIF 是一种动态隐式图像函数，其使用坐标分组和切片策略从坐标切片到像素值切片进行解码，以显着降低计算成本，并且可以与超分辨率方法集成以实现令人满意的性能。

Jun, 2023

本文通过将频率信息聚合在像素区域中来扩展传统的位置编码，提出了集成位置编码（IPE），并将其应用于最先进的任意尺度图像超分辨率方法之一：局部隐式图像函数（LIIF），提出了 IPE-LIIF。我们通过定量和定性评估展示了 IPE-LIIF 的有效性，进一步证明了 IPE 对更大的图像尺度和多个隐式方法的泛化能力。

Dec, 2021

通过在潜在空间生成潜在调制以快速适应任何输入特征向量并以任意分辨率进行渲染，提出了一种新颖的潜在调制函数（LMF），该函数将高分辨率 - 高维度解码过程解耦为低分辨率 - 高维度空间中的共享潜在解码和低维度空间中的独立渲染，从而实现了连续图像表示的首个计算最优范式。

Apr, 2024

该研究论文提出了一种空间 - 光谱隐式函数 (SSIF)，它能够以空间和光谱领域的连续像素坐标和连续波长的方式表示图像，通过实证验证了 SSIF 在两个具有挑战性的空间 - 光谱超分辨率基准上的有效性。研究还表明，即使允许基线模型在每个光谱分辨率上进行单独训练，SSIF 仍然始终优于现有技术的基线模型，并且 SSIF 能够很好地适应不同的未见空间和光谱分辨率，并生成提高下游任务性能（如土地利用分类）1.7％-7％的高分辨率图像。

Sep, 2023

本文介绍了一种 Local Implicit Transformer (LIT) 方法，它将注意机制和频率编码技术与本地隐式图像函数相结合，设计了一个跨尺度的局部注意块来有效聚合局部特征，进一步提高了代表性能力，并提出了一种级联的 LIT (CLIT) 方法，利用多尺度特征和渐进式训练策略，在任意超分辨率任务中实现了较好的结果，并胜过了以前的方法。

Mar, 2023

通过提出的本地隐式函数网络，我们在不预训练的情况下，提出了一种轻量级的人脸分割方法 FP-LIIF，使用卷积编码器和像素 MLP 解码器，并且相对于现有方法，我们的网络可以在不更改输入分辨率的情况下生成不同分辨率的分割，且模型尺寸小且速度更快，适用于低计算资源或低带宽设备。

Mar, 2023

本文提出了一种将指导性先验信息引入深度超分辨率模型的方法，使用联合隐式函数 (JIIF) 来表示目标图像领域，并使用图注意力机制在联合深度隐式函数中学习插值权重，该方法在三个公共基准测试中显着优于现有方法。

Jul, 2021

提出了一个新的方法来实现输入图像的超分辨率或从随机噪声生成任意比例的新图像，该方法通过预训练的自动编码器、隐式扩散模型和隐式神经解码器及其学习策略组成。该方法在潜空间中采用扩散过程，与 MLP 在任意比例上的解码器空间相一致，并通过固定解码器反向传播输出图像的错误，提高了输出图像的质量。在广泛的实验中，该方法在图像质量、多样性和尺度一致性等指标方面均优于相关方法，在推理速度和内存使用方面显著优于相关的最新技术。

Mar, 2024

本文提出了一种名为 LINF 的算法，使用局部隐式正则化流对超分辨率进行任意尺度的处理，可以生成具有丰富纹理细节的照片般逼真的高分辨率图像，并在大量实验中证明了 LINF 与先前的任意尺度超分辨率方法相比具有最先进的感知质量。

Mar, 2023