提出了一种基于弱监督深度强化学习框架的深度神经网络方法，可以快速有效地进行数字病理学领域中含有丰富组织特征信息的高分辨率全幅病理图像分析，而不需要基于像素级别的像素注释数据集。

May, 2022

通过提出基于隐性自纹理增强的双分支框架（ISTE），实现了病理图像的任意尺度超分辨率，大幅度提升了现有固定尺度和任意尺度算法在多个放大倍率上的表现，并有助于改善下游任务性能。

Jan, 2024

本文介绍了一种基于双分支框架和自纹理增强机制的病理图像任意尺度超分辨率方法，该方法能够有效提高超分辨率结果，且在两个公共数据集上的表现均优于现有的定尺度和任意尺度算法。

Apr, 2023

监督深度学习可以通过学习两种图像分辨率或模态之间的映射来人工增加显微镜图像的分辨率。我们提出了一种基于规则化潜在搜索（RLS）的强大超分辨率方法，它在保持实际效果和真实性之间提供了可行的平衡，并结合了深度学习和基于可解释生物特征的手工算法的计算超分辨率和量化任务。这种两步过程对于移动设备等各种应用具有潜在的潜力。

May, 2024

本研究探讨了如何将强化学习与卷积神经网络相结合来用于高分辨率遥感图像的超分辨率。通过参数化动作矩阵和蒙特卡罗采样，成功地解决了超分辨率问题，并将监督模型嵌入到强化学习框架中，实现了更好的效果。

Apr, 2020

本文介绍了一种新的基于超分辨率和多尺度特征提取的单张组织病理学图像分类网络（SHISRCNet），该网络可以更精确地诊断以低分辨率图像为输入的乳腺癌，具有较高的诊断准确度。

Jun, 2023

用机器学习技术进行超分辨率，从低分辨率模拟中重建高分辨率数值解的方法

Nov, 2023

本文介绍一种新颖的基于语言相关的自监督学习框架，即 Hierarchical Language-tied Self-Supervised (HLSS) 方法，用于医学图像的层次化表示学习。通过结合领域特定的自然语言信息与图像的层次化视觉表示，该方法在医学图像任务中取得了最先进的性能，同时还提供了更好的可解释性。

Mar, 2024

本文介绍了可探索超分辨率的任务，并提出了一个框架，包括带有神经网络后端的图形用户界面，允许编辑 SR 输出以探索丰富的 HR 对低分辨率输入的解释。该框架的核心是一个新颖的模块，可以包装任何现有的 SR 网络，并在其下采样时保证其 SR 输出与 LR 输入精确匹配，同时可以用于处理与网络训练不同的模糊核。

Dec, 2019

提出了一种基于深度学习的超分辨率超声图像和视频增强方法，通过训练模型和大量医学图像数据进行定制化的超分辨率处理，实现了对不同解剖区域的低分辨率超声图像和视频的有效提高，并且兼顾了训练网络的运算速度和硬件资源消耗。

Apr, 2023