监督深度学习可以通过学习两种图像分辨率或模态之间的映射来人工增加显微镜图像的分辨率。我们提出了一种基于规则化潜在搜索（RLS）的强大超分辨率方法，它在保持实际效果和真实性之间提供了可行的平衡，并结合了深度学习和基于可解释生物特征的手工算法的计算超分辨率和量化任务。这种两步过程对于移动设备等各种应用具有潜在的潜力。

May, 2024

使用 DSGAN 结构进行无监督学习，将自然图像特征引入通过双三次下采样降级的图像。通过频率分离技术，只需对高频部分进行对抗性训练，从而极大地提高超分辨率模型在真实世界图像上的性能表现。

Nov, 2019

通过使用预训练的 StyleGAN2 生成器构建先验分布，将学习的贝叶斯重建与生成模型相结合，实现了对图像修复和超分辨率重建问题的解决，与现有 GAN 图像重建方法相比表现更好。

Oct, 2021

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

本文介绍了一种简单的无监督方法，用于提供训练良好的局部潜在子空间，使得通过潜在编码的导航能够保持生成图像的真实感。实验证明，在局部潜在子空间内生成的图像能够在潜在编码反复调整的情况下保持真实感，并且这种方法对各种类型的基于风格的模型中的潜在编码优化都具有应用潜力。

Oct, 2023

通过在低分辨率图像的自然图像子空间中采样、使用生成对抗网络的隐空间和灵敏损失函数，提出了一种用于高分辨率自然图像生成的 Latent Adversarial Generator (LAG) 方法，并输出一组相关图像的样本。

Mar, 2020

本研究提出了一种基于 PULSE（Photo Upsampling via Latent Space Exploration）算法的超分辨率问题的另一种解决方法，通过利用高维高斯的性质，该算法可以生成高分辨率、逼真的图像，并且与先前可能的尺度因子相比表现出更好的感知质量，优于现有的最先进的方法。

Mar, 2020

本研究提出了一种基于 CycleGAN 和 GAN 框架的超分辨率方法，能够在真实世界的低分辨率与高分辨率图像转换中，保持数据分布的连续性，表现出较高的超分辨率效果。

Sep, 2020

本文提出了一种名为特征匹配 SR（FeMaSR）的方法。该方法在预训练的 HR 先验信息空间中进行图像恢复，通过匹配失真的 LR 图像特征与 HR 先验信息中的无失真特征码本相匹配，并解码匹配的特征来重建逼真的 HR 图像，实验结果显示该方法比以前的方法更逼真。

Feb, 2022

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