通过采用二值化特征融合（BFF）结构，提出了基于残差组（RG）的多尺度特征提取模块和通道注意力机制的混合残差注意网络（HRAN），能够显著提高图像超分辨率的性能。

Jul, 2019

本文提出了一种名为特征匹配 SR（FeMaSR）的方法。该方法在预训练的 HR 先验信息空间中进行图像恢复，通过匹配失真的 LR 图像特征与 HR 先验信息中的无失真特征码本相匹配，并解码匹配的特征来重建逼真的 HR 图像，实验结果显示该方法比以前的方法更逼真。

Feb, 2022

通过通道和空间特征调制，本文提出了一种利用序列化特征调制存储器单元及密集连接结构将低分辨率特征转换为高信息特征的网络，该网络能够加强高贡献信息和抑制冗余信息，同时通过门控融合节点适应性地融合分层特征，使得模型在图像超分辨率上比现有技术更优秀。

Sep, 2018

本文提出了一种新的图像超分辨率方法，该方法使用端到全部可训练的深度卷积神经网络来联合学习特征提取、上采样和高分辨率重建模块，同时在潜在特征空间中进行上采样，并通过多尺度 HR 重建以获得更精确的图像恢复，进一步实现了不同网络设计在图像超分辨率中的贡献并为未来的研究提供了更多见解。

Jul, 2016

本研究提出了一种基于多任务学习的框架，通过引入全局边界上下文和残留上下文来提升图像恢复中结构细节的保留，其在多个标准基准测试中表现出比其他基于卷积神经网络的 SR 方法更高的恢复质量和计算效率。

Jul, 2017

本文提出一种基于语义分割概率图的空间特征变换（SFT）层，能有效恢复语义类匹配的纹理特征，使得卷积神经网络（CNN）进行单图像超分辨率（SR）重建更具真实性和视觉感受性。

Apr, 2018

本文提出 MAFFSRN 方法，通过特征融合和多重注意机制提出了一种轻量级的图像超分辨率网络，实验表明该方法在内存占用、浮点运算次数和模型参数数量等方面表现优秀。

Aug, 2020

本文提出了一种多尺度匹配网络，该网络可以对邻近像素之间微小的语义差异进行敏感的多尺度匹配，并利用深度卷积神经网络的多尺度结构学习判别像素级特征。实验结果表明，该方法在三个流行的基准测试上具有高计算效率并达到了最先进的性能。

Jul, 2021

提出利用多个卷积算子特征提取模块的 A 网络，通过多次跨特征提取模块的交互来突出关键特征，并使用基于注意力的稀疏图神经网络模块建立像素特征之间的关系，以弥补卷积神经网络模型表达能力有限的缺陷，在医学图像分辨率提高方面获得了显著的改进。

May, 2023

本文提出了一个卷积神经网络（CNN）的多尺度关注网络（MAN），其中包括多尺度大型核关注（MLKA）和门控空间关注单元（GSAU），以提高卷积 SR 网络的性能。实验结果表明，我们的 MAN 可以在不同的状态下实现各种平衡。

Sep, 2022