本研究致力于加速Super-Resolution Convolutional Neural Network，并提出了一个紧凑的hourglass-shape CNN结构，以实现更快，更好的图像超分辨率，通过在网络末端添加反卷积层并缩小输入特征维度和采用更小的滤波器尺寸和更多的映射层，实现了超过40倍的速度提升和优越的恢复质量。

Aug, 2016

本文提出一种卷积神经网络，该网络的特征图在低分辨率空间中提取，使用高效的子像素卷积层将最终的低分辨率特征图升级到高分辨率输出，从而有效地将手工设计的双三次滤波器替换为针对每个特征图训练的更复杂的上采样滤波器，同时降低总体超分辨率操作的计算复杂度。该方法的实验结果表明，它在图像和视频方面的表现都比以前的基于CNN的方法好得多，并且速度快了一个数量级。

Sep, 2016

本文提出了一种端到端的视频超分辨率网络，它包括了在整个网络架构中估计光流，研究了光流在视频超分辨率中的使用，并发现常见的离线图像变形不利于视频超分辨率，因此提出了一种运动补偿操作。通过对整张图像进行处理而不是独立的图像块，可以大幅提高精度。结果表明，使用该网络架构可以受益于光流，获得了在流行测试集上的最佳结果。

Jul, 2017

比较了三个经典和三个最近引入的具有挑战性的数据集上的30多种最先进的超分辨率卷积神经网络，提出了一种基于深度学习的超分辨率网络的分类方法，并提出了现有技术的几个缺点和未来研究方向。

Apr, 2019

该论文系统研究了基于深度学习的33种视频超分辨率方法，提出了一个分类法并将这些方法分属到六个子类中，并详细描述了所有方法的体系结构和实现细节。通过在一些基准数据集上对代表性VSR方法的性能进行总结和比较，讨论了VSR领域中需要进一步研究的一些挑战。这项工作预计对VSR技术的深度学习方法做出贡献，从而深化我们对该领域的理解，并成为该领域中最早的系统研究之一。

Jul, 2020

本文提出了一种新颖的循环残差网络模型用于视频超分辨率，该模型相比于其他几种建模方法具有更高的计算效率和更好的超分辨率效果，取得了当前最好的结果。

Aug, 2020

本文提出了一种新型的深度学习神经网络算法，在视频超分辨重建中优化运动信息处理和利用，解决了普通算法在处理大运动时可能出现的不连贯结果或者伪影问题，同时改良了局部空间特征提取和显式运动估计技术，获得了比现有方法更优秀的效果。

Mar, 2021

利用深度卷积神经网络，结合时空信息，通过数据导向联合训练技术，实现高质量高效实时的视频超分辨率提升，相比现有技术在流媒体视频分辨率提升任务中提高了14倍帧率同时提高2.29dB的画质。

Mar, 2023

探索超分辨率网络中的多种高效网络设计和组装卷积对于改善实时性能的应用，提出了一种快速、轻量级的超分辨率网络，并在NTIRE 2023实时超分辨率竞赛中获得第一名的优异效果，并可供此链接获取代码。

May, 2023

本文介绍了一种动态网络（DSRNet）用于图像超分辨率，它包含了残差增强块、宽增强块、特征细化块和构建块。DSRNet不仅能提取更准确的图像超分辨率信息，还能适用于复杂场景，并具有更轻便的结构。

Oct, 2023