- 使用事件技术提高模糊图像的分辨率
本研究介绍了一种基于事件的模糊超分辨率网络（EBSR-Net），利用事件的高时间分辨率来减轻运动模糊并提高高分辨率图像预测，通过多尺度中心 - 环绕事件表示来完全捕获事件内在的运动和纹理信息，设计对称的跨模态注意模块来充分利用模糊图像和事件 - I$^3$Net：医学切片综合的切片间内外插值网络
基于医学成像的高位面和低位面分辨率之间的插值现象，本文提出了一个全面探索高位面分辨率信息并弥补低位面分辨率的 Inter-Intra-slice Interpolation Network（I^3Net），通过在线的跨视图模块利用三个视图的 - 气候的生成性扩散降尺度
通过扩大比例或超分辨率，为决策者提供关于气候模型输出的气候变化潜在风险和影响的详细高分辨率信息。机器学习算法在下降尺度方面表现出高效和准确的方式。本研究展示了一种生成式扩大、基于扩散的方法，能够提供精确的下降尺度结果。相比标准的 U-Net - 基于条件扩散模型的三模态医学图像融合和超分辨率
我们提出了一个同时实现三模态医学图像融合和超分辨率的 TFS-Diff 模型，该模型基于扩散模型生成随机迭代去噪过程，提出了简单的客观函数和融合超分辨率损失方法，通过通道注意模块有效地集成来自不同模态的关键信息，大量实验证明 TFS-Dif - 交叉传感器不规则采样 Sentinel-2 时间序列的超分辨率
通过使用多张卫星图像，本研究提出了一种针对 Sentinel-2 时间序列的多图像超分辨率重建算法，并展示了多图像对超分辨率性能的显著改善，同时探讨了光谱保真度和感知质量之间的权衡关系。
- CVPRSwinFuSR：一种受图像融合启发的 RGB 引导的热成像超分辨率模型
基于 Swin transformers 的引导型 SR 架构 SwinFuSR，通过从高分辨率可见光图像提取信息，实现了对低分辨率红外图像的增强重建。
- 荧光寿命图像的单样本图像融合上采样
通过数据融合方法，利用低分辨率时间分辨探测器和高分辨率相机的测量结果，解决 FLIM 超分辨率成像技术在高采集速度下的图像分辨率瓶颈，并引入统计信息先验来解决逆问题，从而提供比传统线性插值更清晰的图像。该方法还适用于其他存在两个不同数据集的 - 跨模型扩散建模用于高分辨率空间转录组学
使用跨模态条件扩散模型，结合组织学图像和基因表达进行超分辨率空间转录测序图，实现了更高的精度和性能。
- 高效超分辨率的部分大核心卷积神经网络
在超分辨率领域中，本文介绍了一种新的方法，通过将 Transformers 的优势引入 CNNs，实现了既具备计算效率又具备增强性能的 Partial Large Kernel CNNs。
- MMSRGS：超分辨率 3D 高斯喷撒
提出了 Super-Resolution 3D Gaussian Splatting (SRGS) 方法，通过在高分辨率空间中进行优化，引入亚像素约束并与预训练的 2D 超分辨率模型集成，以有效增强原语的表示能力。在 HRNVS 方面实现高 - OmniSSR：零样本全向图像超分辨率利用稳定扩散模型
通过使用稳定扩散模型的图像先验，将全向图像超分辨率与保真度和真实感相结合，实现了零样本学习，无需训练或微调。在两个基准数据集上的实验证明了该方法的有效性。
- 基于散度度量加强的全卷积生成对抗网络在图像超分辨率中的应用
通过引入 SuRGe，一种基于全卷积生成对抗网络（GAN）的超分辨率生成器，我们展示了通过一组可学习的凸权重优化 GAN 生成器的逐渐增加深度的不同卷积特征，从而提高生成的超分辨率样本的质量。同时，通过使用 Jensen-Shannon 和 - CVPR重新思考用于多对比度 MRI 超分辨率的扩散模型
提出了一种名为 DiffMSR 的高效扩散模型，用于多对比度磁共振成像的超分辨率重建，通过在高度紧凑的低维潜空间中应用扩散模型生成高频详细信息的先验知识，并设计了 PLWformer 作为解码器，使重建的 MR 图像保持无失真。在公共和临床 - MMReal-GDSR：基于边增强残差网络的实际世界导向 DSM 超分辨率
通过使用局部细化网络和基于扩散的技术，我们提出了一种名为 REAL-GDSR 的新方法来解决实际世界 DSM（数字表面模型）超分辨率的复杂性问题。我们的方法在定性和定量评估中表现出优于现有方法的效果。
- CVPRGenN2N: 生成 NeRF2NeRF 翻译
我们提出了 GenN2N，这是一个用于各种 NeRF 翻译任务的统一框架，包括文本驱动的 NeRF 编辑、上色、超分辨率和修复等。与之前的方法不同，GenN2N 通过使用插拔式的图像到图像翻译器在 2D 领域进行编辑，并将 2D 的编辑转换 - DiSR-NeRF：扩散引导的视角一致超分辨率 NeRF
DiSR-NeRF 是一个利用扩散引导的框架来实现视图一致的超分辨率 NeRF，该方法通过利用现有的强大 2D 超分辨率模型来规避高分辨率参考图像的要求，并通过 NeRF 的内在多视图一致性属性提出了迭代的 3D 同步技术来减轻 LR 渲染 - DRCT：拯救图像超分辨率技术摆脱信息瓶颈
通过在层间添加密集残差连接以减少空间信息的丢失，我们提出了 Dense-residual-connected Transformer (DRCT) 模型，提高了视觉变换和超分辨率任务的性能。
- DeeDSR：通过降级感知稳定扩散实现实际场景图像超分辨率
我们引入了一种新的、适应于低分辨率图像的、双阶段的、具有降级意识的框架，通过使用无监督对比学习获取图像降级的表示，并将降级意识模块集成到简化的 ControlNet 中，在各种降级情况下灵活地适应不同的降级，有效恢复更加精确和逼真的细节，表 - 密集残差 Swin Transformer 用于连续无深度限制超声成像
通过设计 RDSTN 网络，采用超分辨率技术以克服常规插值方法的限制并实现无关深度的超声图像增强，该网络通过捕捉超声图像固有的非局部特征和长程依赖性，提供了优秀的纹理并在实验中表现出比现有方法更好的性能。
- 自适应实感引导扩散用于无伪影超分辨率
自适应引导扩散（SARGD）是一种无需训练的超分辨率方法，通过深入潜空间有效识别和减少伪影的传播，实现了无伪影的超分辨率过程。