本文提出了一种新的单图像超分辨率 (SISR) 框架，该框架采用了适用于每个区域的最佳目标以生成整体区域的高分辨率输出，并在五个基准测试中取得了优异的结果。

Nov, 2022

本研究中，我们尝试使用生成对抗网络框架将 SR 网络 EDSR 作为生成器模块，通过结合均方误差损失、感知损失和对抗性损失训练我们的网络，以在失真和感知质量之间获得最佳权衡，从而实现更好的感官质量。

Nov, 2018

利用像素级的知觉损失优化高分辨率图像的生成，本研究使用基于深度卷积神经网络的解码器进行优化，通过对不同语义级别的标签惩罚来提高性能并考虑到背景和边界的纹理相似性，得到更逼真的纹理和更锐利的边缘，实验表明此方法的效果优于现有的其他算法。

Aug, 2019

本文证明了图像修复算法中失真度 (Distortion) 和感知质量 (perceptual quality) 是对立的，并研究了正确判别图像修复算法输出与真实图像之间的最优概率，此概率需随均值失真程度的降低而逐渐增加，GAN 提供了超越感知失真界限的原则方法。作者提出了一种新的评估算法质量的方法，并使用该方法对最近的超分辨率算法进行了广泛比较。

Nov, 2017

采用交替优化算法，通过设计卷积神经网络模块 Restorer 和 Estimator，实现了盲超分辨率重建，克服了降解估计准确性不高的问题，从而获得更鲁棒和准确的最终结果。

Aug, 2023

该研究通过开发 StereoSRQA 模型，提出了第一种感知定向的立体图像超分辨率方法，并采用 StereoSRQA 数据库为 StereoSR 模型提供准确的指导，从而提高了立体图像的感知质量和位移估计的可靠性。

Jul, 2022

本论文提出了一种深度生成对抗网络用于超分辨率，考虑了感知与失真之间的权衡，采用传统内容损失的基础上，使用离散余弦变换系数损失和差分内容损失来考虑内容感知，实现高分辨率图像的恢复。实验结果表明该模型在恢复图像的视觉效果和失真程度方面具有良好的性能，是一种有效的感知超分辨率应用算法。

Sep, 2018

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

本文介绍了一种通过深度学习框架 Bi-GANs-ST 结合两种生成对抗网络，分别注重客观性能和主观感知的权重感知 SRGAN 和记忆残留 SRGAN，再使用软阈值法合并两个模型的结果从而实现在感知指标和均方根误差之间平衡的超分辨率图像生成方法。实验结果表明，该方法在 PIRM 2018 挑战赛的感知超分辨率任务上表现良好，且在五个基准测试数据集上都具有高度竞争性的性能。

Nov, 2018

本文提出了一种基于多任务学习和条件性目标实现调节损失权值的单个可调节超分辨率模型，通过一组权重定义为样式控制器来优化超分辨率模型，并在 Residual-in-Residual Dense Block 上装备空间特征转换层来适应目标。实验表明，该模型能在条件控制下生成不同的超分辨率图像，并且输出质量优秀，性能优于现有的超分辨率方法。

Jan, 2022