低分辨率微表情识别中的超分辨率实证研究
本研究提出了一个基于对抗深度神经网络的无监督超分辨率（SR）框架，旨在提高内窥镜图像的质量以进行诊断和介入指导。该框架可以利用高分辨率（HR）图像将其质量传递到起始低分辨率（LR）图像中，从而能够在没有配对 LR / HR 的情况下产生令人信服的超分辨率图像。
Jan, 2019
本文介绍了可探索超分辨率的任务，并提出了一个框架，包括带有神经网络后端的图形用户界面，允许编辑 SR 输出以探索丰富的 HR 对低分辨率输入的解释。该框架的核心是一个新颖的模块，可以包装任何现有的 SR 网络，并在其下采样时保证其 SR 输出与 LR 输入精确匹配，同时可以用于处理与网络训练不同的模糊核。
Dec, 2019
本文分析在野外捕捉到的低质量条件下的人脸识别技术，提出了超分辨率方法、深度学习和有监督的判别学习方法来处理这个问题，并在 SCFace 和 UCCSface 数据集上进行了评估。
May, 2018
通过深度学习的图像超分辨率方法，我们可以对大脑组织中的噪声低分辨率电子显微图像进行重建，以获得清晰的高分辨率三维电子显微图像，为神经科学研究提供了新的可能性。
Jan, 2024
使用 “Low-Res Leads the Way”（LWay）训练框架，结合有监督预训练和自监督学习，通过提取低分辨率（LR）图像的降级嵌入，与超分辨输出合并进行 LR 重建，并利用未见过的 LR 图像进行自监督学习，从而提高图像超分辨模型对真实世界图像的适应能力和细节恢复能力，并通过离散小波变换（DWT）进一步改进对高频细节的聚焦，该方法在未见过的真实世界数据集上显著改善了超分辨模型的泛化能力和细节恢复能力，并超越了现有方法，是一种适用于实际图像超分辨应用的通用训练方案。
Mar, 2024
这篇论文报告了 2018 年 PIRM 挑战赛，其中 21 个参赛团队提出的算法都取得了较好的结果，同时对流行的图像质量测量方法进行了分析和结论，并总结了当前超分辨率的趋势。
Sep, 2018
微表情识别是近年来备受关注的研究领域，在智能医学和骗术检测等方面具有潜在应用。然而，缺乏标注数据一直以来都是加强基于深度学习的微表情识别方法的主要障碍之一。本文提出了一种广义的转移学习范式，称为宏观表情到微表情（MA2MI）。在该范式下，网络可以通过重建未来帧来学习表示微妙的面部运动。此外，本文还提出了一种两支路微动作网络（MIACNet），用于解耦面部位置特征和面部动作特征，帮助网络更准确地定位面部动作位置。在三个常用的微表情识别基准上进行的大量实验证明了我们方法的优越性。
May, 2024
本文提出了一种名为 SR4IR 的图像超分辨率增强方法，通过引导生成助于实现低分辨率图像处理时的满意图像识别性能的超分辨率图像。该方法使用了任务驱动感知损失来帮助超分辨率网络从专门为特定任务定制的网络中获取任务特定的知识，并通过交叉质量补丁混合和交替训练框架显著增强了任务驱动感知损失的效果。通过广泛的实验，证明了 SR4IR 在语义分割、目标检测和图像分类等特定图像识别任务中取得了出色的任务性能。
Apr, 2024
本文综述了近年来深度学习在图像超分辨率中的广泛应用，重点介绍了监督式、非监督式、以及领域特定的图像超分辨率技术。同时讨论了公开可用的基准数据集和性能评估指标等重要问题，并提出了未来需要进一步研究的方向和问题。
Feb, 2019