本文提出一种深度学习方法用于图像超分辨率，采用卷积神经网络直接将低分辨率图片转换为高分辨率图片，能够实现较快的速度和超强的恢复质量，扩展支持三种颜色通道同时处理。

Dec, 2014

本研究提出了一种用于单幅图像超分辨率的高精度方法，利用 VGG-net 进行训练，使用20个卷积层避免过拟合，训练方法基于小滤波器，只学习残差，并使用极高的学习率。实验表明，该方法在精度上优于现有方法。

Nov, 2015

本研究致力于加速Super-Resolution Convolutional Neural Network，并提出了一个紧凑的hourglass-shape CNN结构，以实现更快，更好的图像超分辨率，通过在网络末端添加反卷积层并缩小输入特征维度和采用更小的滤波器尺寸和更多的映射层，实现了超过40倍的速度提升和优越的恢复质量。

Aug, 2016

本文提出一种卷积神经网络，该网络的特征图在低分辨率空间中提取，使用高效的子像素卷积层将最终的低分辨率特征图升级到高分辨率输出，从而有效地将手工设计的双三次滤波器替换为针对每个特征图训练的更复杂的上采样滤波器，同时降低总体超分辨率操作的计算复杂度。该方法的实验结果表明，它在图像和视频方面的表现都比以前的基于CNN的方法好得多，并且速度快了一个数量级。

Sep, 2016

比较了三个经典和三个最近引入的具有挑战性的数据集上的30多种最先进的超分辨率卷积神经网络，提出了一种基于深度学习的超分辨率网络的分类方法，并提出了现有技术的几个缺点和未来研究方向。

Apr, 2019

针对模型量化与SR网络训练中的两个困难，本文提出了一种全量化图像超分辨率框架（FQSR）来同时优化效率和精度，并在多个主流SR构架上应用，实验表明与全精度SR方法相比，FQSR具有相同的性能和较低的计算成本。

Nov, 2020

本文提出了一种硬件限制感知、极其轻量级、量化鲁棒、实时超分辨率网络 (XLSR)，它是一种受到 root 模块的启发，旨在解决单图像超分辨率问题的建模方法，并在 Div2K 验证集上取得了超过 VDSR 的成果，在 2021 年移动 AI 实时单图像超分辨率挑战赛中得胜。

May, 2021

探索超分辨率网络中的多种高效网络设计和组装卷积对于改善实时性能的应用，提出了一种快速、轻量级的超分辨率网络，并在NTIRE 2023实时超分辨率竞赛中获得第一名的优异效果，并可供此链接获取代码。

May, 2023

基于参数无关的空间位移操作，我们提出了一种简单而有效的全 $1 imes1$ 卷积网络，名为 Shift-Conv-based Network (SCNet)，在保持令人印象深刻的计算效率的同时，赋予全 $1 imes1$ 卷积网络强大的表示能力。大量实验证明，尽管结构为全 $1 imes1$ 卷积，SCNet 一致性地达到或超过使用常规卷积的现有轻量级超分辨率模型的性能。

Jul, 2023

通过引入Convolutional Transformer层（ConvFormer）和基于ConvFormer的超分辨率网络（CFSR），提出了一种有效且高效的轻量级图像超分辨率任务解决方案，通过使用大卷积核卷积作为特征混合器替代自注意模块，实现了较长范围依赖关系和广泛接受域的建模，同时在计算成本稍微增加的情况下保留了更多高频信息，并且相对于现有的轻量级SR方法在计算成本和性能之间取得了先进的平衡。

Jan, 2024