该论文提出了一种随机洗牌方法来模拟真实的降级因素并在合成的数据集上训练深度神经网络，使其在真实世界的视频超分辨率方面表现更好。结果显示，相较于 RealBasicVSR 在 NRQM 方面提高了 7.1％，相较于 BSRGAN 提高了 3.34％。同时，该论文也提出了一个新的包含高分辨率真实视频的数据集，可作为基准测试的共同参照。

May, 2023

本文提出了一种基于 Laplacian 金字塔的核预测网络（LP-KPN）来恢复高分辨率图像，通过使用实际拍摄的 LR-HR 图像对构建 RealSR 数据集，证明了使用此数据集训练的 SISR 模型在真实场景中能够提供更好的视觉效果，且模型能够适应不同的相机设备。

Apr, 2019

本文提出了一种新的 VSR 方法，采用重建模块和深度推理模块来高效利用相机传感器数据。与现有方法不同，该模型在分离超分辨率和颜色校正的过程中具有显著性能优势。

Aug, 2020

提出了一个大规模真实世界的高动态范围（HDR）视频重建基准数据集 Real-HDRV，其中包含 500 个低动态范围（LDR）- 高动态范围（HDR）视频对，结合了全天候、室内和室外等各种场景，提出了一种使用新型的两阶段策略进行全局和局部对齐的端到端网络，实验结果表明，在真实场景中，该方法超越了之前的最先进方法。

Apr, 2024

本文研究解决现实世界中动画视频超分辨率（VSR）的难题，并揭示了实用动画 VSR 的三个关键改进：通过学习基本运算符来改进基本降质操作生成过程中的能力，使用 AVC 数据集进行综合训练和评估，以及研究有效的多尺度网络结构。我们的 AnimeSR 方法能够有效和高效地恢复现实世界中低质量的动画视频，并实现了优于以往最先进方法的性能。

Jun, 2022

研究了基于摄像头镜头的 CameraSR 方法，旨在改善实际成像系统中分辨率（R）和视野范围（V）之间的固有平衡问题，并提出了两种新的数据采集策略， City100 数据集表明， CameraSR 具有提高单图超分辨率性能的实际解决方案，并且可以快速推广到不同的内容和设备上作为实现数字变焦的高级工具。

Apr, 2019

通过图像预处理，设计了一种在处理现实世界视频超分辨率中平衡细节合成和伪影抑制的 RealBasicVSR 模型，并且提出了一种随机退化方案来降低训练时间，同时使用更长序列代替更大批次进行训练以提高模型的稳定性。此外，还创建了新的 VideoLQ 数据集来作为基准测试的公共基础。

Nov, 2021

本文提出了一种新的数据采集技术，通过 beam-splitter 捕获相同场景的低分辨率和高分辨率图像进行训练预处理，提出包含 11,421 对低分辨率高分辨率图像的数据集，展示了该数据集如何显著提高超分辨率技术在现实世界图像上的质量。

Apr, 2020

为了解决超分辨率图像恢复在真实场景中的局限性，本文提出了新的数据生成管道来模拟数字相机的成像过程，并使用双卷积神经网络以及学习空间变异的颜色转换来处理原始数据，实验结果表明，在真实场景中，使用原始数据进行超分辨率图像恢复可以更好地恢复细节和清晰的结构。

May, 2019

本文提出了一种新的深度图像超分辨率方法，利用移动手机和 Lucid Helios 采集的配对 LR 和 HR 深度图构建了一个名为 RGB-D-D 的大规模数据集，并提供了一个快速深度图超分辨率（FDSR）基准线，与现有公共数据集上的基准方法相比，我们的网络在效果和效率上都有很大的提升，并且可以处理真实世界中的 LR 深度图以产生更准确，清晰的边界，并在一定程度上修正深度值错误。

Apr, 2021