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

该论文提出了一种针对超分辨率图像的无监督方法，通过学习将人工生成的低分辨率图像的影响反演，从而还原数据中存在的自然图像特征，旨在解决使用人工生成的低分辨率图像所出现的问题。实验结果表明，该方法可以得到具有代表性的真实世界图像组，有效地提高超分辨率网络的泛化性。

Sep, 2019

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 Laplacian Pyramid Super-Resolution Network 来逐步重建高分辨率图像的子带残差。我们的方法不需要双三次插值作为预处理步骤，从而大大减少了计算复杂度，并使用鲁棒的 Charbonnier 损失函数进行深度监督训练，取得了高质量的重建效果。我们的网络在一个前向传递过程中生成多尺度预测，从而有助于资源感知应用。在基准数据集上进行的广泛定量和定性评估表明，所提出的算法在速度和准确性方面优于现有技术方法。

Apr, 2017

本文提出了一种新的图像超分辨率方法，该方法使用端到全部可训练的深度卷积神经网络来联合学习特征提取、上采样和高分辨率重建模块，同时在潜在特征空间中进行上采样，并通过多尺度 HR 重建以获得更精确的图像恢复，进一步实现了不同网络设计在图像超分辨率中的贡献并为未来的研究提供了更多见解。

Jul, 2016

通过渐进式训练和学习流程，使用生成式对抗网络的方法逐步提升图像的超分辨率，该方法的重点在于其多尺度的设计，能够在高放大因子下有更好的表现。

Apr, 2018

本文提出了一种深度 Laplacian 金字塔超分辨率网络，通过使用深监督和 Charbonnier 损失函数进行训练并利用递归层在不同金字塔级别上共享参数来快速准确地进行图像超分辨率重构，实现了较高的图像质量和运行时间。

Oct, 2017

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

使用神经架构搜索的多目标方法能够在以 FLOPS 为指标的量化实验中优于现有方法，以在资源受限条件下平衡模型的简单度和修复能力。

Jan, 2019