该论文提出了一种基于正则化流的超分辨率方法 SRFlow，它可以通过训练学习输入低分辨率图像与输出高分辨率图像之间的条件分布，进而解决该问题多解的困难并提高了图像的处理能力。

Jun, 2020

通过提出一种新的网络模型，名为 LoLiSRFLow，该模型可以同时处理低光照、低分辨率以及增强和超分辨率的问题，并通过引入条件概率分布和可逆网络等技术来实现有效的图像恢复。

Feb, 2024

该研究提出了一种称为 hierarchical conditional flow (HCFlow) 的统一框架，它可以同时用于图像超分辨率和图像缩放任务，采用正则化流模型，并且采用感知损失和 GAN 损失来提高性能，在广泛的实验中展示了最先进的视觉效果。

Aug, 2021

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

利用卷积神经网络实现流场高分辨率重构，不需要高分辨率标签，能够提高空间分辨率并降低流场数据的噪声水平。

Nov, 2020

提出了一个新的方法来实现输入图像的超分辨率或从随机噪声生成任意比例的新图像，该方法通过预训练的自动编码器、隐式扩散模型和隐式神经解码器及其学习策略组成。该方法在潜空间中采用扩散过程，与 MLP 在任意比例上的解码器空间相一致，并通过固定解码器反向传播输出图像的错误，提高了输出图像的质量。在广泛的实验中，该方法在图像质量、多样性和尺度一致性等指标方面均优于相关方法，在推理速度和内存使用方面显著优于相关的最新技术。

Mar, 2024

本研究针对超分辨率问题的模糊化现象，以条件流为基础，探究了一种更优的代替像素误差目标函数的方法，应用于拟真超分辨率领域中具体的三个数据集，得到了较高的视觉表现和一致性。

Nov, 2021

本文提出利用正则流模型建立低光图像与正常曝光图像之间的一对多映射关系，通过一个可逆网络，将低光图像 / 特征作为条件，学习将正常曝光图像的分布映射到高斯分布，从而得以更好地建模正常曝光图像的条件分布，在提高图像亮度、减少噪声和伪影、增强色彩方面表现出更好的定量和定性结果。

Sep, 2021

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

该论文提出了一种基于特征增强的隐式神经表示方法（FFEINR）来进行流场数据的时空超分辨率处理，通过引入特征增强来完善流场的上下文信息，通过设置不同的超参数，实验结果表明，FFEINR 方法相比三线性插值方法取得了显著改善的效果。

Aug, 2023