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

本研究提出了一种新的基于无监督图像转换与监督超分辨率相结合的框架，该框架在 NTIRE 2017 和 2018 质量挑战数据集上取得了良好的性能，同时可以在失真与感知质量之间保持灵活平衡。

Oct, 2019

通过对公共数据集、评估指标和四类方法的研究以及在基准数据集上的比较，本文全面评估了基于深度学习的单个图像超分辨率（SISR）方法中类别为基于退化建模、基于图像对、基于域转换和基于自学习的 RSISR 方法在重建质量和计算效率方面的表现，并讨论了 RSISR 的挑战和未来研究方向。

Mar, 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

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

介绍了基于深度学习的单图超分辨率问题的方法和分类，其中包括了网络架构和深度学习优化目标两个方面，归纳了各种方法的局限和改进，并从各种角度展开了比较和分析，并讨论了当前挑战和未来趋势。

Aug, 2018

本文提出了一种基于自相似性的方法，利用从输入图像中提取的大组相似图块来解决单幅图像超分辨率问题，并评估了其性能，成果表明在不使用任何外部数据的情况下，所提出的算法在各种缩放因子的测试数据集上，比当前的非 CNN 方法有了提高，并且在某些数据集上的提高达到 1dB 以上，对于高采样率（x4）的数据，所提出的方法与最新的基于深度卷积网络的方法表现相似。

Apr, 2017

本研究提出了一种 Single Image Super-Resolution 的解决方案，可以在保证低复杂度的前提下，通过训练数据来学习一组 filter，使得对于一张不在训练集中的图片，可以生成更高分辨率、更高质量的图片；同时该方法还包括了一种有效的图像锐化算法，可以作为预处理步骤来提高下采样放大滤波器的学习效果。

Jun, 2016

本文提出一种基于扩散概率模型的单幅图像超分辨率方法，通过优化数据可能性的变分下界进行模型训练，并通过引入残差预测以加速收敛。该方法在 CelebA 和 DIV2K 数据集上进行了实验验证，实验结果表明，该方法在性能上领先以往的方法，并具有生成丰富细节的不同超分辨率结果、小型化、灵活的图像操作等优点。

Apr, 2021

本文介绍了一种使用 Charbonnier Loss 函数构建内容损失，并将其与提出的感知损失和对抗性损失相结合的超分辨率感知生成对抗网络 (SRPGAN) 框架，能够更好地重建具有高频细节和清晰边缘的高分辨率图像。与其他现有模型相比，该模型在大多数基准测试中都能取得更高的结构相似性指数 (SSIM) 分数。

Dec, 2017