本研究中，我们提出了一种全能图像恢复网络，能够处理多种退化问题，通过学习神经退化表示 (NDR) 来解决多种退化数据的挑战，进一步结合退化查询模块和退化注入模块，实现了多种退化的全能恢复能力，同时采用双向优化策略来驱动 NDR 学习退化表示，我们的实验证明了该方法的有效性和泛化能力。

Oct, 2023

通过重现降级的低分辨率图像，我们提出了一种用于学习降级表示的替代方法，并且引入一个有界约束的能量距离损失函数来促进降级表示的学习。实验结果表明，我们的降级表示能够提取准确和高度鲁棒的降级信息。此外，对合成和真实图像的评估表明，我们的 ReDSR 在盲目超分辨率任务中达到了最先进的性能。

Jul, 2024

本文提出了一种无监督的降噪表征学习方案和一种 Degradation-Aware SR（DASR）网络，该方案可以区分表征空间中的各种降级，并通过学习提取判别性表征来获得准确的降级信息，在合成和真实图像上的实验结果表明了该方法的优越表现。

Apr, 2021

我们引入了一种新的、适应于低分辨率图像的、双阶段的、具有降级意识的框架，通过使用无监督对比学习获取图像降级的表示，并将降级意识模块集成到简化的 ControlNet 中，在各种降级情况下灵活地适应不同的降级，有效恢复更加精确和逼真的细节，表现出在各种基准测试中的最先进性能。

Mar, 2024

我们提出了一种全能多退化图像恢复网络 (AMIRNet)，通过聚类逐步构建树状结构，学习未知退化图像的退化表示，并利用特征转换模块 (FTB) 弥补领域差异，从而实现从各种未知失真中恢复高质量图像的目标。

Aug, 2023

通过抑制图像中局部的退化表示的不确定性，提出了一个基于不确定性的退化表示的自监督学习方法，用于将低分辨率图像恢复为高分辨率图像。模型由两部分组成：自适应不确定性感知的退化提取（AUDE）和由可变深度动态卷积（VDDC）块组成的特征提取网络，实验证明该方法的优越性。

Jun, 2024

本文提出了一种更复杂但实用的退化模型，其中包括随机混合的模糊，下采样和噪声退化，以达到改善单图超分辨率方法的实用性的目的。实验结果表明，这个新的退化模型可以显著改善深度超分辨率方法的实用性，为真实的单图超分辨率应用提供了一种强有力的替代解决方案。

Mar, 2021

本文提出了一种基于知识蒸馏的隐式降级估计网络，结合了此网络与高效的 SR 网络，实现了在未知退化情况下的盲图像超分辨率，同时设计了一种基于动态卷积残差块的新型降级表示方法 IDR，经过广泛的实验验证表明，KDSR 网络具有最先进的性能，并可以推广到各种退化过程。

Nov, 2022

本研究提出了一种基于概率框架的盲超分辨率图像重建方法，针对复杂的噪声和模糊核问题，该方法采用了非独立同分布的噪声模型和一种新颖的模糊核生成器来增加模型的自由度。经过综合实验，该方法在合成数据集和真实数据集上均优于当前最先进的技术。

Jul, 2021

提出了一种基于扩散模型的降级感知学习方案，通过有效整合降级表示和图像先验进程，从而改善图像增强效果。并且在多个基准数据集上的实验证明，该方法在定量和定性上优于现有的低光图像增强方法。

Jul, 2023