本论文介绍了 AIS 2024 实时图像超分辨率（RTSR）挑战的新型基准，旨在在商用 GPU 上实时将 540p 的压缩图像提升到 4K 分辨率（4 倍因子）。使用包含各种从数字艺术到游戏和摄影的 4K 图像的多样化测试集。所有提出的方法相对于 Lanczos 插值都提高了 PSNR 保真度，并在 10 毫秒内处理图像。 在 160 个参赛者中，有 25 个团队提交了他们的代码和模型。这些解决方案设计出了适用于边缘设备的内存效率和运行时的新颖设计。本调查描述了对压缩高分辨率图像进行实时 SR 的最佳解决方案。

Apr, 2024

本文提出了一种新的有压缩感知的视频超分辨率模型，旨在恢复高分辨率内容而不引入压缩引起的伪影。该模型包括三个模块：双向循环变形、保留细节的流估计和拉普拉斯增强，针对包含压缩的视频的性质设计实现。经过大量实验，表明该方法不仅能从常用基准数据集中恢复未压缩帧上的高分辨率内容，而且基于许多数量化指标在超分辨压缩视频方面也达到了最先进的性能。

May, 2021

SuperBench 是第一个带有高分辨率数据集的基准数据集，包括流体流动、宇宙学和天气数据，旨在验证空间分辨率性能并评估数据退化任务鲁棒性的方法。深度学习为基础的 SR 方法在某些任务上表现出色，但在捕捉微妙的细节和保留科学数据的基本物理属性和约束方面存在局限性，这凸显了将领域知识纳入 ML 模型的重要性和细微差别。

Jun, 2023

提出了一个名为 Real-RawVSR 的实际原始视频超分辨率 (Raw Video Super-Resolution) 数据集，包含了 450 个不同场景下的低分辨率和高分辨率视频对，并利用两个 DSLR 相机和一个分束器进行采集，同时提出了一种基于两种 RGGB 和原始 Bayer 模式交替使用的两支分支网络，以生成对应的高分辨率 sRGB 图像。实验结果表明，该方法在处理是原始和 sRGB 输入的真实和合成视频上优于基准方法。

Sep, 2022

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

机器学习视频编解码器领域的研究论文，提出了一种新的全参考视频质量评估模型和数据集，证明现有评估指标对于机器学习视频编解码器并不高度相关，并开源数据集和评估模型以促进该领域的研究。

Sep, 2023

该论文回顾了 NTIRE 2022 超分辨率和压缩视频质量增强挑战赛，介绍了 LDV 2.0 数据集和三个挑战轨迹，旨在评估压缩视频超分辨率和质量增强的最新技术，共吸引了超过 600 个注册团队。

Apr, 2022

FAST 框架介绍了一种用于加速超分辨率算法的方法，利用视频中的时空相关性，通过代码转移实现自适应处理，并可以在保持 0.2dB 的视觉质量损失的前提下将超分辨率算法的速度提高 15 倍。

Mar, 2016

介绍了一种简单高效的无损图像压缩算法，存储低分辨率版本，再经过多次无损超分辨率加工，采用熵编码来压缩超分辨率操作符，能够在大型数据集上以实用的运行时间实现最先进的压缩率。

Apr, 2020

文章提出了一个基于稀疏表示和压缩感知的超分辨率框架，用于在侦察和监视应用中对可扩展视频进行处理，实验结果表明，该框架具有更高的压缩率和更高的视频质量，是一种有效的压缩率更高、图像质量更优的视频处理算法。

Jul, 2017