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 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
该研究使用 Residual Dense Networks（RDN）架构并分析了其组件的重要性，通过利用原始低分辨率（LR）图像的分层特征，该架构实现了卓越的性能，具有四个主要块，包括作为核心的残留密集块（RDB），并通过使用各种损失指标的研究和分析评估了体系结构的有效性，将其与其他不同体系结构和组件的最先进模型进行比较。
Apr, 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
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
本研究提出了一种名为 IKR-Net (迭代核重构网络) 的方法，通过使用专门的深度模型进行迭代的核和噪声估计以及高分辨率图像重建，提供了一种通用解决方法，能够处理输入低分辨率图像中任意类型的模糊和噪声，并在盲目单图像超分辨率中取得了最先进的结果，特别是对于带有运动模糊的噪声图像。
Apr, 2024
本文提出了一种基于学习方法的针对盲目全像单幅图像超分辨率重建的端到端学习框架，该方法将学习技术集成到广义 EM 算法中，通过最大似然估计从低分辨率图像中推断出高分辨率图像，并在半监督学习中具有较高的性能。
May, 2023
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
我们提出了一种使用维度扩展策略的通用框架，使单个卷积超分辨率网络能够将模糊核和噪声级别作为输入，从而处理多种甚至是空间变异的退化，从而显着提高了实用性。在合成和真实的低分辨率图像上的广泛实验结果显示，所提出的卷积超分辨率网络不仅可以产生多个退化结果，而且计算效率高，提供了一种高效和可扩展的解决方案，适用于实际的 SISR 应用。
Dec, 2017