超分辨率重构论文集合

《Detection of Tea Leaf Blight in Low-Resolution UAV Remote Sensing Images》

发表信息：发表于《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》2024 年，作者 Gensheng Hu 等，来自安徽大学等。
核心内容
- 背景：茶叶枯萎病检测重要，现有方法对低分辨率无人机图像检测效果差。
- 方法：两阶段网络，RFBDB - GAN 恢复图像细节，LWDNet 检测病害。
- 网络
  - RFBDB - GAN：生成器和判别器结构改进，联合损失训练，改进 RFB。
  - LWDNet：基于 YOLOv5s，改进特征提取和融合，用 SIoU 损失。
创新点：结合多种技术优势，改进网络结构提升性能。

《Noise-Free Optimization in Early Training Steps for Image Super-resolution》

发表信息：发表于 AAAI 2024，作者为 MinKyu Lee、Jae-Pil Heo 等，来自韩国成均馆大学。
核心内容：分析超分辨率中 vanilla 训练的组成部分，将原始损失函数分解为质心和噪声项。指出当前训练方案忽略超分辨率不适定性，导致训练不稳定。提出通过估计质心获无噪声下界以改进训练，还提供克服估计误差的方法，通过平滑过渡在早期受益于稳定训练，后期最小化近似误差。
创新点：提出基于质心估计的无噪声优化方法，改善超分辨率训练稳定性和性能。
研究贡献：为超分辨率训练提供新理解和改进方法，有助于提高模型性能和训练稳定性。

《Learning a Deep Convolutional Network for Image Super-Resolution》（SRCNN）

发表信息：发表于 ECCV 2014，由香港中文大学的 Chao Dong 等人提出，是深度学习应用在超分辨率重构上的开山之作。
核心内容：首次使用深度学习（CNN）来进行图像超分辨率重建。该算法的网络结构相对简单，只有三层卷积层，分别对应图像块的提取与表达、非线性映射和重建这三个步骤。它将基于样例学习的方法转化为卷积的形式，并且所有参数可以在训练过程中一起得到优化，是一种端到端的学习过程。
意义与影响：为后续基于深度学习的超分辨率重建算法奠定了基础，让研究人员看到了深度学习在超分辨率重建领域的巨大潜力，引发了大量相关研究。

《Accurate Image Super-Resolution Using Very Deep Convolutional Networks》（VDSR）

发表信息：发表于 CVPR 2016，由韩国科学技术院的 Jiwon Kim 等人提出。
核心内容：使用了非常深的神经网络模型进行超分辨率预测，并结合残差学习来加速模型的训练。通过带 padding 形式的卷积，使得输入与输出的尺寸保持一致，增加了模型的灵活性和可变性。该方法在多个超分倍数上都取得了较好的效果，并且相比其他方法在速度和效果上有一定优势。
意义与影响：证明了深度神经网络在超分辨率重建中的有效性，推动了后续对更深层次网络结构的研究，残差学习的思想也被广泛应用到其他图像重建任务中。

《Deep Residual Channel Attention Networks for Image Super-Resolution》（RCAN）

发表信息：发表于 ECCV 2018，由哈尔滨工业大学的 Yulun Zhang 等人提出。
核心内容：提出了深度残差通道注意网络。该网络采用了 Residual in Residual（RIR）结构，由多个残差组构成，每个残差组内包含多个残差块，这种结构让低频信息可以绕过网络，使主干网络只学习高频信息。此外，还提出了通道注意力机制，能够自适应地调整不同通道的权重，从而更好地恢复图像的高频细节。
意义与影响：在超分辨率重建的准确性和视觉效果上取得了显著提升，为超分辨率重建算法的发展提供了新的思路和方法，尤其是在网络结构设计和特征学习方面。

《Enhanced Super-Resolution Generative Adversarial Networks》（ESRGAN）

发表信息：发表于 ECCV 2018 Workshop，由 Xintao Wang 等人提出。
核心内容：是对 SRGAN 的改进，主要从三个方面进行了优化。在网络结构上，移除了 BN 层，使用 Residual-in-Residual Dense Block（RRDB）作为基本构建模块；在损失函数上，使用相对平均判别器和改进的感知损失函数，提升了图像的相对真实性和纹理恢复程度；还提出了网络插值策略来平衡感知质量和峰值信噪比。
意义与影响：进一步提高了生成对抗网络在超分辨率重建中的性能，使生成的超分图像在视觉质量上更接近真实图像，为超分辨率重建算法的实际应用提供了更好的解决方案。

《Deep Back-Projection Networks for Super-Resolution》（DBPN）

发表信息：发表于 CVPR 2018，由 Dongwon Kim 等人提出。
核心内容：提出了一种迭代的错误反馈机制，通过计算上采样和下采样的投影误差来重构图像，以获得更好的结果。网络包含相互连接的上采样和下采样阶段，能够更好地学习低分辨率图像和高分辨率图像之间的映射关系，并且利用深度级联的方式表示不同类型的图像退化和高分辨率成分，从而更好地重建高分辨率图像。
意义与影响：为超分辨率重建提供了一种新的网络结构和训练方式，在大尺度因子的超分辨率重建任务中表现出色，对后续的研究具有一定的启发意义。

《ResDiff: Combining CNN and Diffusion Model for Image Super-Resolution》

发表信息：发表于 AAAI 2024，作者为 Shuyao Shang、Zhengyang Shan 等，来自山东大学等。
核心内容：提出用于单图像超分辨率的残差结构扩散模型（ResDiff）。结合 CNN 和扩散模型，CNN 生成初始预测提供低频和部分高频成分，扩散模型预测残差即高频成分。包括频率域信息分离器和高频引导交叉注意力模块等组件，还介绍训练策略和复杂度分析。
创新点：利用 CNN 和扩散模型优势，通过特殊设计模块和训练方式提高超分辨率性能。
研究贡献：在超分辨率任务中取得较好结果，提供新模型架构和训练方法，为图像超分辨率领域发展提供有价值参考。

《SkipDiff: Adaptive Skip Diffusion Model for High-Fidelity Perceptual Image Super-resolution》

发表信息：发表于 AAAI 2024，作者为 Xiaotong Luo、Yuan Xie 等，来自厦门大学等。
核心内容：引入不确定性到 GAN 用于图像超分辨率，提出不确定性感知 GAN（UGAN）。通过不确定性感知对抗训练策略，使判别器学习超分辨率结果的不确定性，生成器关注高不确定性区域，还提出不确定性感知损失加权策略平衡多训练损失权重。
创新点：将不确定性引入 GAN 的超分辨率中，设计新训练策略和损失加权方法。
研究贡献：提高超分辨率图像质量和可解释性，为超分辨率研究提供新思路和方法，推动相关技术发展。

《Efficient Conditional Diffusion Model with Probability Flow Sampling for Image Super-resolution》

发表信息：发表于 AAAI 2024，作者为 Yutao Yuan、Chun Yuan，来自清华大学。
核心内容：为图像超分辨率提出高效条件扩散模型（ECDP），通过连续时间条件扩散模型和概率流采样生成超分辨率图像，采用混合参数化和图像质量损失改进模型性能。
创新点：提出新的扩散模型架构和训练方法，提高超分辨率的效率和质量。
研究贡献：在超分辨率任务中取得较好效果，减少时间消耗，为图像超分辨率提供有效解决方案，推动相关领域研究和应用。

《KeDuSR: Real-World Dual-Lens Super-Resolution via Kernel-Free Matching》

发表信息：发表于 AAAI 2024，作者为 Huanjing Yue、Zifan Cui 等，来自天津大学。
核心内容：针对真实双镜头超分辨率问题，提出 KeDuSR 网络。通过中心扭曲和角落扭曲策略使参考与 LR 输入对齐，基于 LR 中心和对齐参考的无核匹配策略避免分辨率差距，使结果在整幅图像上更一致，融合增强的 LR 输入和对齐参考特征生成超分辨率结果，还构建了 DuSR - Real 数据集并进行实验。
创新点：提出针对双镜头超分辨率的特定对齐和匹配策略，构建新数据集。
研究贡献：在真实双镜头超分辨率任务中取得较好效果，为该领域研究提供新方法和数据集，推动相关技术发展和应用。

《GSDD: Generative Space Dataset Distillation for Image Super-resolution》

发表信息：发表于 AAAI 2024，作者为Haiyu Zhang、Shaolin Su等，来自西北工业大学。
核心内容：对数据集蒸馏（DD）在单图像超分辨率（SISR）问题中的应用进行开创性研究。利用预训练 GAN 进行 GAN 反转操作，在潜在生成空间中蒸馏数据，通过分布匹配优化和正则化项 R 改进蒸馏过程，提出 GSDD 框架，包括数据蒸馏和模型重新训练及推理阶段，进行大量实验验证其有效性。
创新点：首次将 DD 技术应用于 SISR，提出基于 GAN 反转和分布匹配的数据集蒸馏方法。
研究贡献：在提高训练效率和节省数据存储空间的同时，取得与现有 SISR 算法相当的性能，为超分辨率研究提供新思路和方法。

《Transformer-Based Selective Super-resolution for Efficient Image Refinement》

发表信息：发表于 AAAI 2024，作者为 Tianyi Zhang、Kishore Kasichainula 等，来自明尼苏达大学等。
核心内容：提出选择性超分辨率（SSR）算法，解决传统超分辨率方法计算成本高和背景信息对下游任务不利的问题。包括基于变压器的瓦片选择模块和瓦片细化模块，通过实验验证其在多个数据集上的有效性，降低计算成本，提高图像质量。
创新点：利用变压器网络进行瓦片选择和细化，选择性地增强图像的特定区域。
研究贡献：在超分辨率任务中取得较好效果，减少计算量，提高图像质量，为图像超分辨率提供新有效方法。