多图像超分辨率 (MISR) 方法以子像素偏移的形式结合多张图像中的互补信息来提高低分辨率 (LR) 图像的空间分辨率，在准确注册和融合多图像信息方面存在困难。本研究提出的 EpiMISR 模型通过使用采集过程的极线几何以及基于 Transformer 的辐射特征场进行处理，在存在大的 LR 图像视差的情况下明显改进了目前最先进的 MISR 方法。

Jan, 2024

通过使用 Fast Fourier Convolution 和 Residual Swin Transformer 改进的方法和新的 cross-attention 模块，我们提出了一种名为 SwinFSR 的 Stereo Image Super-Resolution 方法，并且实验结果表明了该方法的有效性和高效性。

Apr, 2023

本文提出了使用频率分离和噪声调节的 FS-NCSR 算法，以产生多样性和高质量的超分辨率图像，而不会像现有的基于流的方法那样产生质量不高的输出，并使得输出的高频信息更加锐利且细节更加清晰

Apr, 2022

本文提出了一种基于多帧图像超分辨率技术的新型神经网络结构，以像素级光流明确对齐输入帧的深嵌入，使用基于注意力的融合模块自适应地合并来自所有帧的信息，以产生高质量重建的 RGB 图像；同时介绍了 BurstSR 数据集，在真实世界数据上进行了全面实验分析，证明了该模型的有效性。

Jan, 2021

提出了 PSRFlow，一种基于归一化流的科学数据超分辨率生成模型，它将不确定性量化结合到超分辨率过程中，并通过从高分辨率数据中捕捉缺失信息的高斯潜在空间进行采样生成了不同的超分辨率输出，达到了对超分辨率结果进行鲁棒的不确定性量化。

Aug, 2023

本文介绍了一种利用监督式机器学习技术、灵感来源于超分辨率和插帧的新型湍流数据重建方法，通过卷积神经网络的多尺度模型，及时地将高分辨率的湍流流场从粗略的空间和时间数据中恢复出来，该方法在二维圆柱后流、二维衰减均匀同性湍流和三维涡旋管道流场的应用中得到了验证，表明其能够满足多种流场重建的需求。

Apr, 2020

该论文提出了一种基于特征增强的隐式神经表示方法（FFEINR）来进行流场数据的时空超分辨率处理，通过引入特征增强来完善流场的上下文信息，通过设置不同的超参数，实验结果表明，FFEINR 方法相比三线性插值方法取得了显著改善的效果。

Aug, 2023

通过提出一种新的网络模型，名为 LoLiSRFLow，该模型可以同时处理低光照、低分辨率以及增强和超分辨率的问题，并通过引入条件概率分布和可逆网络等技术来实现有效的图像恢复。

Feb, 2024

利用卷积神经网络实现流场高分辨率重构，不需要高分辨率标签，能够提高空间分辨率并降低流场数据的噪声水平。

Nov, 2020

本文提出了一种方法，通过利用流体的 Navier-Stokes 方程作为答案进行稀疏视频的端到端优化，实现通过 RGB 视频的高保真流体重构。

Jun, 2022