本文提出了一种双向的结构一致性网络，以无监督的方式训练降噪和超分辨率网络，通过生成对抗网络模拟现实世界的LR图像降级过程，结合现实世界的HR图像，然后利用这些生成的LR图像训练SR重建网络实现超分辨率。实验表明，该算法在合成和真实场景的超分辨率任务中性能表现都优秀。

Dec, 2018

本文提出了一种基于Laplacian金字塔的核预测网络（LP-KPN）来恢复高分辨率图像，通过使用实际拍摄的LR-HR图像对构建RealSR数据集，证明了使用此数据集训练的SISR模型在真实场景中能够提供更好的视觉效果，且模型能够适应不同的相机设备。

Apr, 2019

该论文提出了一种针对超分辨率图像的无监督方法，通过学习将人工生成的低分辨率图像的影响反演，从而还原数据中存在的自然图像特征，旨在解决使用人工生成的低分辨率图像所出现的问题。实验结果表明，该方法可以得到具有代表性的真实世界图像组，有效地提高超分辨率网络的泛化性。

Sep, 2019

我们提出了一种面向实际应用的新颖无监督超分辨率（SR）方法-DASR，通过该方法的领域间距距离控制训练过程，实现了生成具有更现实、自然的纹理的SR输出，并在合成和实际数据集上验证表明，DASR始终优于当前最先进的无监督SR方法。

Apr, 2020

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

通过图像预处理，设计了一种在处理现实世界视频超分辨率中平衡细节合成和伪影抑制的RealBasicVSR模型，并且提出了一种随机退化方案来降低训练时间，同时使用更长序列代替更大批次进行训练以提高模型的稳定性。此外，还创建了新的VideoLQ数据集来作为基准测试的公共基础。

Nov, 2021

本文讨论了损坏图像中的图像类型和感知-和欧几里得-基础评估协议的属性，并提出了一种通过排他性双重学习来解决感性和L1-基础合作学习中的特征多样性的方法，该方法通过噪声引导数据收集策略来解决多个数据集优化中的训练时间消耗，并在使用辅助数据集时实现了具有竞争性的性能。

Jun, 2022

本文提出了一种基于知识蒸馏的隐式降级估计网络，结合了此网络与高效的SR网络，实现了在未知退化情况下的盲图像超分辨率，同时设计了一种基于动态卷积残差块的新型降级表示方法IDR，经过广泛的实验验证表明，KDSR网络具有最先进的性能，并可以推广到各种退化过程。

Nov, 2022

该论文提出了SDFlow，一个将单幅图像超分辨率问题转化为无监督学习的模型，通过在潜在空间中匹配LR和HR图像的内容信息分布来实现图像降尺度和超分辨率的自动学习。实验结果表明SDFlow能够生成多样且逼真的LR和SR图像。

Oct, 2023

通过重现降级的低分辨率图像，我们提出了一种用于学习降级表示的替代方法，并且引入一个有界约束的能量距离损失函数来促进降级表示的学习。实验结果表明，我们的降级表示能够提取准确和高度鲁棒的降级信息。此外，对合成和真实图像的评估表明，我们的ReDSR在盲目超分辨率任务中达到了最先进的性能。

Jul, 2024