本文提出一种基于傅里叶域的感知质量强化的超分辨率图像重建方法，利用新型 Loss Function 提升低复杂度生成器网络的表现，以及在空间域和傅里叶域均应用不同 Loss Function 以提取不同信息。最终得出与 RankSRGAN 和 SRFlow 等最先进感知超分辨率方法相当的结果，并且比这些方法快 2.4 倍至 48 倍不等。

Jun, 2021

本文提出了一种基于小波域风格转移的新方法，该方法比基于 GAN 的方法达到了更好的感知质量和畸变之间的平衡，通过使用 2D 小波变换来将图像分解为低频和高频子带，并为低频子带和高频子带分别提供单独的处理，最后将两个子带重新组合以获得同时具有较高客观性和感知性质量的图像。

Oct, 2019

通过引入 SuRGe，一种基于全卷积生成对抗网络（GAN）的超分辨率生成器，我们展示了通过一组可学习的凸权重优化 GAN 生成器的逐渐增加深度的不同卷积特征，从而提高生成的超分辨率样本的质量。同时，通过使用 Jensen-Shannon 和 Gromov-Wasserstein 损失计算 SR-HR 和 LR-SR 分布之间的距离，进一步帮助 SuRGe 生成器更好地利用可用信息以改进超分辨率。此外，我们使用带有梯度惩罚的 Wasserstein 损失训练 SuRGe 的判别器，主要用于防止模态崩溃。与 18 个最先进的竞争模型在 10 个基准数据集上相比，所提出的 SuRGe 以其卓越性能得到证实。

Apr, 2024

使用 DSGAN 结构进行无监督学习，将自然图像特征引入通过双三次下采样降级的图像。通过频率分离技术，只需对高频部分进行对抗性训练，从而极大地提高超分辨率模型在真实世界图像上的性能表现。

Nov, 2019

这篇论文通过引入卷积非局部稀疏注意力块（NLSA）来扩展混合变压器架构，以进一步增强其感受野，并使用小波损失来训练变压器模型以改善定量和主观性能。实验结果表明，提出的模型在各种基准数据集上提供了最先进的峰值信噪比结果以及更好的视觉表现。

Apr, 2024

提出了一种名为 Denoising Induced Super-resolution GAN (DISGAN) 的新方法，在 MRI 超分辨率和去噪任务中使用单个深度学习模型同时解决两个任务，通过引入 3D 离散小波变换作为频域约束，该模型在超分辨率图像生成和去噪方面表现出色。

Aug, 2023

本文提出了 SRGAN 框架，通过引入对抗性损失和感知损失函数，成功应用 GAN 进行图像超分辨率，能够生成 4 倍放大因子下的自然真实图像。大量实验和 MOS 测试证明 SRGAN 在视觉效果上具有显著的优势。

Sep, 2016

我们提出了一种面向实际应用的新颖无监督超分辨率（SR）方法 - DASR，通过该方法的领域间距距离控制训练过程，实现了生成具有更现实、自然的纹理的 SR 输出，并在合成和实际数据集上验证表明，DASR 始终优于当前最先进的无监督 SR 方法。

Apr, 2020

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

使用 “Low-Res Leads the Way”（LWay）训练框架，结合有监督预训练和自监督学习，通过提取低分辨率（LR）图像的降级嵌入，与超分辨输出合并进行 LR 重建，并利用未见过的 LR 图像进行自监督学习，从而提高图像超分辨模型对真实世界图像的适应能力和细节恢复能力，并通过离散小波变换（DWT）进一步改进对高频细节的聚焦，该方法在未见过的真实世界数据集上显著改善了超分辨模型的泛化能力和细节恢复能力，并超越了现有方法，是一种适用于实际图像超分辨应用的通用训练方案。

Mar, 2024