本文提出了一种新的基于 Classification 和 SR 模块的解决方案管道 (ClassSR)，可以在处理大型图像时加速超分辨率 (SR) 网络，通过分类不同的子图像并选择不同的 SR 网络对其进行处理，实现了分类和超分辨率的统一框架，并且通过两个损失方法，Class-Loss 和 Average-Loss，使得大多数子图像可以通过更小的网络，从而大大减少了计算成本，该方法在低级别视觉任务中也有应用前景。

Mar, 2021

本研究提出了一种基于多任务学习的框架，通过引入全局边界上下文和残留上下文来提升图像恢复中结构细节的保留，其在多个标准基准测试中表现出比其他基于卷积神经网络的 SR 方法更高的恢复质量和计算效率。

Jul, 2017

该研究提出了一种学习统一框架下的一组 SR 预测模块的方法，这些模块专注于不同的图像局部模式和使用神经网络来进行图像超分辨率，相比其他方法在广泛范围内实现了最先进的恢复效果。

Jan, 2017

本文介绍了一种基于双分支框架和自纹理增强机制的病理图像任意尺度超分辨率方法，该方法能够有效提高超分辨率结果，且在两个公共数据集上的表现均优于现有的定尺度和任意尺度算法。

Apr, 2023

本文提出了一种新的神经网络体系结构（3D Densely Connected Super-Resolution Networks），用于从单张低分辨率 MRI 图像中恢复高分辨率的脑部结构特征，实验表明该网络在还原 4 倍分辨率缩减图像方面优于双三次插值和其他深度学习方法。

Jan, 2018

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

本研究的主要目标是通过整合超分辨率 (SR) 架构来增强细胞学图像中的语义分割质量。我们还开发了一个旨在改进在不准确对焦情况下成像质量的新数据集。实验结果表明，将 SR 技术整合到分割管线中可以在平均精度（mAP）分割指标上实现高达 25% 的显着改善。这些发现表明，利用 SR 体系结构在细胞学图像分析领域具有重大前景。

Jun, 2023

介绍了一种分层卷积神经网络系统来对乳腺癌组织学图像进行四种病理分类，使用 BACH 挑战数据集进行评估，测试集上的准确率达到了 0.99，在 BACH 的挑战测试中取得了 0.81 的准确率，排名第八。

Oct, 2018

通过提出基于隐性自纹理增强的双分支框架（ISTE），实现了病理图像的任意尺度超分辨率，大幅度提升了现有固定尺度和任意尺度算法在多个放大倍率上的表现，并有助于改善下游任务性能。

Jan, 2024

本研究提出了利用通道分割网络（CSN）来缓解深度学习模型的表达负担，从而提高医学磁共振图像的空间分辨率。在各种磁共振图像（包括质子密度（PD）、T1 和 T2）上进行了广泛的实验，证明了所提出的 CSN 模型在单张图像超分辨率方面比其他最先进的方法具有更出色的性能。

Oct, 2018