本文介绍提出的增强型深度超分辨网络（EDSR）和多尺度深度超分辨系统（MDSR），通过深度卷积神经网络（DCNN）和残差学习等技术，去除不必要的模块，并扩展模型大小和稳定的训练过程，实现比当前现有的超分辨率方法更高的性能和不同放大因子的高分辨率图像重构，表现卓越，赢得 NTIRE2017 超分辨挑战。

Jul, 2017

通过对复杂数据集和不同类型的数据集进行广泛实验，本研究提出了一种名为 DmADs-Net 的密集多尺度注意力和深度监督网络，通过特征提取、特征注意力块和特征融合等模块的创新，该网络在处理医学图像中的病变定位和特征提取方面取得了优于主流网络的表现。

May, 2024

通过将动态稀疏特征融合机制与三维卷积中的限制深度移位相结合，提出了一种 3D 医学图像分割模型，名为 E2ENet。在多种资源限制条件下，E2ENet 相比之前的方法在精度和效率之间实现了较优的平衡，并在大规模挑战 AMOS-CT 上实现了与之前最佳方法相当的准确性，同时在推断阶段节省了 68％的参数计数和 29％的 FLOPs。

Dec, 2023

本文提出在改进的生成对抗网络超分辨率模型中，添加更多的快捷连接以便于更快地反向传播梯度信息，进而通过像素距离、对抗性损失和感知损失等多重因素训练提高细节和质量，最终得到更高分辨率的图像。并验证了在实际图像超分辨率挑战中具有卓越性能，提高了图像重建的质量。

Nov, 2019

本文提出了一种自适应分割大小不同的病变的低分辨率医学图像的比例感知超分辨率网络，该网络包含双分支进行病变掩模超分辨率和病变图像超分辨率，同时引入了比例感知扩张卷积块来自适应调整卷积核的感受野以根据损伤的大小进行分割。在多个具有挑战性的病变分割数据集上，我们提出的网络相比其他最先进的方法实现了持续的改进。

May, 2023

该研究通过提出一个联合去马赛克和超分辨率算法，使用一种最新的端到端优化模型，基于 RDSEN 网络和 TRaGAN 对质量进行优化，证明了联合去马赛克和超分辨率方法的实用性和合理性，并在拍摄自 NASA 火星好奇号和标准数码照片上得到了显著改进。

Nov, 2019

本文提出一个基于多任务学习的联合深度图超分辨率与单目深度估计网络，采用不同的引导策略设计两个桥梁，一个是用于特征编码过程的高频注意力桥梁，另一个是用于深度图重建过程的内容引导桥梁，实验证明该方法在基准数据集上具有竞争性能。

Jul, 2021

本文介绍了一种动态网络（DSRNet）用于图像超分辨率，它包含了残差增强块、宽增强块、特征细化块和构建块。DSRNet 不仅能提取更准确的图像超分辨率信息，还能适用于复杂场景，并具有更轻便的结构。

Oct, 2023

研究使用 transformers 和 Squeeze-and-Expansion Transformer 实现医学影像分割，较传统方法显著提高了分割准确度和跨领域泛化性。

May, 2021

本论文提出了一种多分辨率相互学习网络（MRM-Net），通过双重分辨率注意力架构和特征互补机制处理心电图（ECG）信号，以提高多标签 ECG 分类性能。

Jun, 2024