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

我们研究了如何改进生成对抗网络进行视频超分辨率任务的方法，通过基于单图像超分辨率 GAN 模型来探讨不同的技术。我们的研究结果表明，包括时间平滑、长短期记忆（LSTM）层和时间损失函数在内的技术组合相比基础视频超分辨率生成对抗网络（GAN）模型在 PSNR 上有 11.97% 的提升，在 SSIM 上有 8% 的提升。这个重大的改进为进一步应用于当前最先进的模型提供了潜在机会。

Jun, 2024

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

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

这篇论文总结了使用深度学习算法，如生成对抗网络，进行超分辨率图像和视频研究的最新进展，提供了改进图像和视频质量的方法，如递归学习、新颖的损失函数、帧率增强和注意力模型集成。这些进展对于增加低分辨率视频的视觉清晰度和质量具有巨大潜力，可应用于监控技术、医学成像等多个领域。此外，这个集合还深入研究了生成对抗网络的更广泛领域，探讨了它们的原理、训练方法以及在各个领域的应用，同时强调了人工智能领域中不断发展和变化的挑战与机遇。

Dec, 2023

通过使用小波域损失函数训练基于 GAN 的超分辨率模型，本文表明刻画高频细节和伪像之间的区别可以更好地学习，而 RGB 领域或傅立叶空间损失函数则没有这种效果。

Feb, 2024

本研究提出了一种结构保留超分辨率的方法，利用图像的梯度图来指导恢复，同时使用梯度损失和图像空间损失函数，帮助生成网络更加注重几何结构。实验结果表明，该方法在恢复结构的同时生成了自然的高清图片，并且在感知度和峰值信噪比等指标上表现出色。

Mar, 2020

本研究针对深度生成模型如变分自编码器和生成对抗网络在高复杂度图片样本表现的不足，提出一种图像自适应的修复方案，增强复原的表达能力。在图像超分辨率和压缩感知方面进行了实证表明其优势。

Jun, 2019

该研究提出了一种新的损失函数，它对临床训练数据集的缺失更为稳健，并应用到使用深度神经网络进行超分辨率图像处理领域中。通过自动编码器进行流形距离，使超分辨率图像与高分辨率图像保持相似的纹理内容，达到匹配人类对结构、亮度和对比度的感知效果。作者在大规模临床数据集上进行了实验验证，并将其与现有技术进行了比较。

Mar, 2019

该研究使用对抗学习方法，采用基于 SRGAN 模型的 3D 卷积生成高分辨率 MRI 扫描图像，结合最小二乘法的对抗损失和基于均方误差和图像梯度的内容项提高生成图像的质量，并在上采样阶段探索不同的解决方案，具有潜在的 3D 医学成像超分辨率应用价值。

Dec, 2018