本研究探索了非常低分辨率识别问题，提出一种应对 LR-HR 领域不匹配和异常值鲁棒性的深度学习方法——Robust Partially Coupled Networks，使用超分辨率、域适应和鲁棒回归等技术。通过在面部识别、数字识别和字体识别等三种不同 VLRR 任务中的优异表现，证明了所提出模型的有效性。

Jan, 2016

提出一种单卷积神经网络通用的方法，在推理时可以切换图像分辨率，从而可以选择满足各种计算资源限制的运行速度。用该方法训练的网络称为分辨率切换网络（RS-Nets）。通过多分辨率蒸馏和知识蒸馏，RS-Nets在各种分辨率下的准确性得到了提高。

Jul, 2020

本文提出了一种基于特征蒸馏连接（FDC）的轻量级单图像超分辨率模型，即残差特征蒸馏网络（RFDN），它使用多个特征蒸馏连接来学习更具区分性的特征表示，同时提出了浅残差块（SRB）作为RFDN的主要构建块，通过大量实验证明，与现有的最先进方法相比，所提出的RFDN在性能和模型复杂度方面有更好的折衷效果，并在AIM 2020高效超分辨率挑战赛中获得了第一名。

Sep, 2020

本篇综述对过去10年中涉及深度学习技术用于虹膜识别的研究进行了全面的回顾，包括算法设计、开放式工具、挑战以及新兴研究方向。主要关注虹膜生物识别中的分割、识别、鲁棒性、后验、开放源代码资源和技术挑战。

Oct, 2022

研究提出一种新的处理低分辨率人脸识别的框架，其中采用了多分辨率增强和基于对数指数距离函数的度量损失，能够有效克服低分辨率下表现退化的问题，并在多种实验数据集上表现出良好的识别性能。

Feb, 2023

基于Daugman的方法和高斯码字的球装界，本研究提出了一种衡量虹膜识别系统可扩展性和质量的新方法，并在两个小数据集上应用该方法来确定可持续的最大种群。

Jun, 2023

本研究使用深度学习方法测试了低分辨率图像与高分辨率图像之间的端到端映射能力，并将其应用于虹膜识别问题，验证了深度学习方法在质量评估和识别实验中相对于其他算法的优越性。

Nov, 2023

通过全面数据驱动的方法，本文提出了一种能够对虹膜图像进行合成的方法，能够表示不同瞳孔尺寸、非现有身份的虹膜图像，并在改变瞳孔尺寸时能够保持身份，相比于现有的线性和非线性虹膜变形模型，该方法在相似性和身份保持方面表现更好。

Dec, 2023

提出了一种嵌入生成虹膜先验的Transformer模型（Gformer）来从复杂退化的虹膜图像中恢复，该模型通过Transformer块和虹膜生成对抗网络（GAN）预测虹膜先验并应用于虹膜恢复过程，实验证明该方法在虹膜识别性能上超出了现有方法。

Jun, 2024

该研究解决了远距离盲虹膜图像导致的识别率下降问题，现有文献对此缺乏有效解决方案。提出的先验嵌入驱动架构组合了盲虹膜图像恢复网络Iris-PPRGAN和改进的识别分类器Insight-Iris，实验表明，该方法在公用CASIA-Iris-distance数据集上的识别率达到了90%，显著优于现有方法。

Aug, 2024