该研究利用最先进的扩散模型在低分辨率和高分辨率的沙特车牌图像上进行训练，实现了超分辨率处理，其在识别精度和结构相似性指数方面都超过了现有技术，并获得了 92％的人工评估员的认可，为监控系统提供了具有实际潜力的车牌超分辨率的创新解决方案。

Sep, 2023

StarSRGAN 是一种用于盲超分辨率任务的 GAN 模型，通过实验比较与 Real-ESRGAN，提供了新的最先进性能，MANIQA 和 AHIQ 度量方面大约提高了 10%；另外，StarSRGAN Lite 是一种紧凑版模型，提供了大约 7.5 倍更快的重建速度，但仍能保持近 90% 的图像质量，从而有助于未来研究中开发实时超分辨率体验。

Jul, 2023

本研究旨在应用深度学习技术，结合关注机制和 Transformer，提高低分辨率监控图像的车牌识别精度，并通过基于光学字符识别的损失函数对图像特征进行抽取，证明我们的方法在定量和定性上都优于现有的方法。

May, 2023

评估多个最新的 SR GAN 模型（超分辨率生成对抗网络），包括 ESRGAN、Real-ESRGAN 和 EDSR，在经过流程处理的现实世界图像基准数据集上的性能，结果表明某些模型能够显著提高图像分辨率同时保留其视觉质量，使用 Tesserect OCR 引擎进行评估，其中 EDSR 模型在定量指标和主观视觉质量评估上优于其他模型，具有最少的计算开销，并且生成的图像具有更高的峰值信噪比（PSNR）和结构相似性指数（SSIM）值，通过 Tesseract OCR 引擎返回高质量的 OCR 结果，这些发现表明 EDSR 是一种稳健有效的单图像超分辨率方法，特别适用于对高质量视觉保真度至关重要且经过优化计算的应用。

Jul, 2023

教育部颁布的第 xxxx 号文件的要求：高校要强化学生思想政治教育，增强学生的理论素养，提高学生的科学素养等。

Apr, 2024

本研究将 ESRGAN 应用于实际的纹理恢复应用中，在处理复杂的真实世界退化图像时，引入高阶退化建模过程，并考虑到常见的环绕和过冲伪影，采用具有谱归一化的 U-Net 鉴别器来增强鉴别器的能力和稳定训练动力学， 并提供了实时生成训练样本的高效实现。

Jul, 2021

该研究通过提出 ESRGAN，改进了 SRGAN 的网络架构、对抗损失和感知损失三个关键部分。ESRGAN 获得了 PIRM2018-SR 挑战的第一名，并取得了比 SRGAN 更好的视觉质量和更真实、更自然的纹理。

Sep, 2018

本文提出一种用于自然场景摄影下的低分辨率文本识别的新方法，该方法利用超分辨率技术对图像进行预处理，并开发了一种真实场景文本超分辨率数据集（TextZoom）。我们引入了三个新型模块，包括序列残差块、边界感知损失和中央对齐模块。通过对 TextZoom 数据集的广泛实验，我们证明了我们的 TSRN 模型具有显著提升低分辨率文本识别准确性的能力。

May, 2020

本文介绍了基于 EESRGAN 的远程感知图像增强方法和在端到端上使用检测网络来提高小目标检测性能的模型，实验结果表明，与现有最先进的物体检测器相比，该方法在公共和自组装数据集上均表现出优越的性能。

Mar, 2020

本研究介绍了一种基于增强型 SRGAN 的超分辨率网络 RFB-ESRGAN，包括 Receptive Field Block、多尺度信息提取、交替上采样方法和集成式模型等四个方面，经实验结果验证，该方法在 NTIRE 2020 Perceptual Extreme Super-Resolution Challenge 中表现最佳。

May, 2020