提出了一种新颖的超分辨率重建算法，通过独特的设计大幅提升了准确性，同时保持了低复杂度，该算法核心在于巧妙设计的全局 - 局部信息提取模块和基本块模块，通过结合全局和局部信息，实现了对图像内容更全面的理解，准确地恢复了图像的全局结构和局部细节，为后续的重建过程提供了丰富的信息支持。实验结果表明，提出的算法在超分辨率重建领域提供了最佳的综合性能，提供了一种高效实用的新解决方案。

May, 2024

我们提出了一种学习方法，能够在保留图像特性的情况下，对带有噪声的低分辨率图像进行超分辨率处理。通过定量度量（如归一化交叉相关性、归一化均方误差、峰值信噪比、结构相似度特征相似度、通用图像质量等），我们训练网络提升低分辨率噪声图像的分辨率，同时保留其特性。实验结果表明，与现有的学习方法相比，我们的方法在不同噪声类型和上采样因子下，改善了噪声图像的高分辨率预测，并且超过了学习方法并与标准方法相媲美，保留了图像的轮廓、亮度和纹理，并减少了图像的伪影。

Nov, 2023

本研究提出了一种创新性的统一框架来解决密集深度重建、相机姿态估计、超分辨率和去模糊的四个问题，通过反映物理成像过程，我们提出了一个成本最小化问题，并使用交替优化技术来解决它，实验结果表明，我们的提出方法在合成和现实视频中均得到高质量的深度图，同时还产生了优秀的去模糊和超分辨率图像。

Sep, 2017

本研究提出了一种可训练的、基于几何感知的图像生成方法，利用几何和分割等场景信息生成逼真自然、符合期望的场景结构的图像，并通过 GIS 框架插入驾驶场景中的车辆、生成来自 Linemod 数据集的物体新视角，展示其能够广泛适用于新颖的场景、物体形状和分割，且可用于合成大量训练数据以训练实例分割模型。

Sep, 2018

该研究论文提出了一种基于几何的超分辨率方法，用于点云几何压缩，并通过构建内容相关的分层先验实现了粗粒度到细粒度的点云几何超分辨率，以在编码器和解码器之间实现更准确的先验，以减少位数消耗并获得资源占用等方面的性能改进。

Feb, 2024

该论文介绍了一种利用轻量级超分辨率网络对点云几何进行压缩的方法，通过将点云分解为基点云和插值模式，用于重构原始点云。通过训练超分辨率网络来获取插值模式的信息，然后将网络参数传输到解码器以帮助点云重构。实验证明了该方法在 MPEG Cat1 和 Cat2 数据集上具有出色的压缩性能。

Nov, 2023

该论文提出了一种针对超分辨率图像的无监督方法，通过学习将人工生成的低分辨率图像的影响反演，从而还原数据中存在的自然图像特征，旨在解决使用人工生成的低分辨率图像所出现的问题。实验结果表明，该方法可以得到具有代表性的真实世界图像组，有效地提高超分辨率网络的泛化性。

Sep, 2019

通过结合街景图像和几何约束，本文提出了一种改进单目高度估计的方法，实验结果表明该方法比基线方法更准确且在精度和结构一致性方面有显著改进。

Nov, 2023

该研究提出了一种新颖的向导超分辨率方法，将问题视为像素级向导图到源图像域的映射，使用无监督学习和多层感知机来参数化映射函数，达到超分辨率的效果，并在深度图和树高图两个任务中均优于其他基线算法。

Apr, 2019

本文研究了基于深度学习的单图像超分辨率方法中的反问题，并通过将目标高分辨率图像分解为最优质心和固有噪声两个子组成部分，提出了一种新的优化方法，以更好地捕捉该问题的本质并增强其稳定性。

Dec, 2023