本文提出了一种新的、基于可逆双射转换的图像下采样和上采样建模方法，使用一种随机生成的潜向量来反向生成指定分布的下采样信息，提高了降采样图像的上采样表现。通过定量和定性的图像重建评估，证明了该方法在图像上采样重建方面相比现有方法有显著的改进。

May, 2020

该论文提出了 SDFlow，一个将单幅图像超分辨率问题转化为无监督学习的模型，通过在潜在空间中匹配 LR 和 HR 图像的内容信息分布来实现图像降尺度和超分辨率的自动学习。实验结果表明 SDFlow 能够生成多样且逼真的 LR 和 SR 图像。

Oct, 2023

本文旨在提出一种创新的概念，将分层潜空间应用于增强式归一化流，建立可逆的潜变量模型，以解决许多学习型图像压缩方法的非可逆性问题。经过实验表明，本模型相较于单尺度模型，平均压缩率提高了 7% 以上。

May, 2023

通过提出一种深度残差卷积生成对抗网络（SRResCGAN）来解决真实世界中图像修复过程缺失的问题，该网络通过对 HR 领域的像素级监督来对模型进行敌对训练，并利用残差学习和凸优化技术来最小化能量函数，我们的实验表明，该方法易于部署到其他下采样算子和移动 / 嵌入式设备上，并且能够更好地适应真实世界中的图像噪声问题。

May, 2020

本文提出一个线性组装的像素自适应回归网络用于单幅图像超分辨率，将直接 LR to HR 映射学习转化为对多个预定义滤波器基字典的线性系数回归任务，同时将此思想扩展到处理其他图像修复任务中，例如图像去噪和 JPEG 图像去块运动估计并获得先进性能。

May, 2021

通过学习特定分布下的高分辨率图像与低分辨率图像之间的双射映射，我们提出了可逆残差缩放模型 (IRRM) 来构建深度网络，通过长跳跃连接的残差降采样模块 (RDM) 和短连接的可逆残差块 (IRB) 来强制模型提取图像的高频信息，从而在图像缩放任务中显著优于其他先进方法，且使用更少的参数和复杂性。

May, 2024

通过借助提出的可逆尺度条件函数（ICF），我们构建了一种新颖的自监督单图超分辨率（SISR）框架（ICF-SRSR），用于处理真实世界中的 SR 任务，而无需使用任何配对 / 非配对训练数据，并且我们的 ICF-SRSR 能够生成逼真且可行的低分辨率 - 高分辨率图像对，使得现有的监督 SISR 网络更加鲁棒。广泛的实验证明了我们所提出方法在处理 SISR 中以完全自监督的方式的有效性。与在真实世界情境中使用合成配对图像进行训练的现有方法相比，我们的 ICF-SRSR 表现出了更优越的性能，并且在公共基准数据集上与最先进的监督 / 无监督方法相当。

Jul, 2023

本研究提出一种基于内容自适应重采样器 (CAR) 的图像下采样方法，通过反向传播调节模型参数，实现从低分辨率图像恢复高分辨率图像的目标；实验结果表明，该方法比传统插值方法表现更优，通过与深度超采样模型联合训练，取得了最新的超分辨率性能。

Jul, 2019

本文提出了一种双向的结构一致性网络，以无监督的方式训练降噪和超分辨率网络，通过生成对抗网络模拟现实世界的 LR 图像降级过程，结合现实世界的 HR 图像，然后利用这些生成的 LR 图像训练 SR 重建网络实现超分辨率。实验表明，该算法在合成和真实场景的超分辨率任务中性能表现都优秀。

Dec, 2018

本研究提出了一种基于 CycleGAN 和 GAN 框架的超分辨率方法，能够在真实世界的低分辨率与高分辨率图像转换中，保持数据分布的连续性，表现出较高的超分辨率效果。

Sep, 2020