本文通过对大量超分辨率图像进行人类主观研究，提出了一种基于视觉感知评分学习的无参考指标，使用空间域和频域中的三种低级统计特征对超分辨率图像上的特征进行量化，并学习了一个两阶段回归模型，无需参考基准图像即可预测超分辨率图像的质量得分，实验证明这种指标可以有效、高效地评估超分辨率图像的质量。

Dec, 2016

通过使用超分辨率技术，提高卫星图像的分辨率并进行车辆、飞机和船只的识别，发现在30cm的分辨率下，与将原生30cm图像进行15cm超分辨率相比，mAP可以提高13-36%。

Dec, 2018

本研究评估了单图像超分辨率(SISR)生成的图像的质量，在结构保真度和统计自然性这两个维度的二维空间内观察不同SISR算法的行为，进一步证明了全球性质的重要性，并提出了一个新模型-SFSN模型进行质量预测。

May, 2021

该论文研究了图像超分辨率中的质量评估问题，提出了针对内容依赖的锐度和纹理评估的不确定性加权方案，并将确定性保真度和统计保真度融合，提出了超分辨率图像保真度指数（SRIF），在测试主观评级数据集时表现优于现有IQA模型。

Jul, 2022

系统性评估实际超分辨率方法的框架SEAL，利用代表性降级案例集群和新的评估指标衡量其性能，展示对现有方法的基准测试、新观察和新基线开发。

Sep, 2023

本论文介绍了一种用于高效遥感图像超分辨率的扩散概率模型（DPM）EDiffSR，并结合了高效的激活网络（EANet）和条件先验增强模块（CPEM），以提高遥感图像的视觉质量和细节恢复能力。

Oct, 2023

我们提出了一种学习方法，能够在保留图像特性的情况下，对带有噪声的低分辨率图像进行超分辨率处理。通过定量度量（如归一化交叉相关性、归一化均方误差、峰值信噪比、结构相似度特征相似度、通用图像质量等），我们训练网络提升低分辨率噪声图像的分辨率，同时保留其特性。实验结果表明，与现有的学习方法相比，我们的方法在不同噪声类型和上采样因子下，改善了噪声图像的高分辨率预测，并且超过了学习方法并与标准方法相媲美，保留了图像的轮廓、亮度和纹理，并减少了图像的伪影。

Nov, 2023

该论文提出了一种针对超分辨率的新度量标准CLIPScore，并使用该标准在多个数据集上评估了四种标准方法，发现生成对抗网络在语义准确性上优于传统的L2损失模型和现代扩散模型，同时将CLIPScore作为辅助损失可加快GANs的训练速度18倍，并改进输出结果，从而在世界各地的多样地理环境中得到有效的模型。

Nov, 2023

通过利用低分辨率图像和比例因子来评估图像超分辨率（SR）图像的感知质量和重建保真度，本研究提出了一种新颖的双分支减参考SR-IQA网络（PFIQA），其中感知分支利用Vision Transformer（ViT）和ResNet的全局建模和局部关系，结合比例因子实现综合视觉感知，而保真性分支通过视觉感知评估低分辨率和超分辨率图像之间的重建保真度，两个分支的结合与人类视觉系统高度契合，实现全面的SR图像评估。实验结果表明，PFIQA在三个广泛使用的SR-IQA基准测试中优于当前最先进的模型，特别在评估真实世界SR图像质量方面表现出色。

May, 2024

本研究探讨了图像超分辨率(SR)中训练数据的影响，填补了这一领域的研究空白。我们提出了一种自动图像评估流程，分析了现有高分辨率数据集的多样性和质量，发现低压缩伪影、高内图像多样性和大量图像的组合能够显著提高SR性能。这一简便而有效的数据集筛选流程将为未来SR数据集的构建提供指导，进而提升模型效果。

Sep, 2024