不要给自己设限，尝试更多可能（思所向 皆可往）

1. McASSR | Rethinking Multi-Contrast MRI Super-Resolution: Rectangle-Window Cross-Attention Transformer and Arbitrary-Scale Upsampling（浙大）1. LMR: A Large-Scale Multi-Reference Dataset for Reference-Based Super-Resolution（自动化所 张兆翔团队，百度）

论文：https://arxiv.org/pdf/2208.11247.pdf与基于 CNN 的方法相比，基于 Transformer 的方法由于能够对远程依赖性进行建模，因此取得了令人印象深刻的图像恢复性能。然而，SwinIR 等算法采用基于窗口的局部注意力策略来平衡性能和计算开销，这限制了使用大感受野来捕获全局信息并在早期层中建立长依赖关系。为了进一步提高获取全局信息的效率，本文提出了SwinFIR算法来扩展SwinIR算法，通过替换快速傅里叶卷积（FFC）组件，它具有图像范围的感受野。我们还重新审视了

论文：https://arxiv.org/pdf/2203.06697.pdf代码：https://github.com/xindongzhang/ELAN最近，基于Transformer的方法已经证明了令人印象深刻的效果，在各种视觉任务中，包括图像超分辨率（SR），利用自我注意（SA）的特征提取。然而，在大多数现有的基于Transformer的模型中，SA的计算是非常昂贵的，而一些所采用的操作对于SR任务来说可能是冗余的。这限制了SA计算的范围并且因此限制了SR的性能。在这项工作中，本文提出了一种用于图像

图像恢复 SWinIR : Swin Transformer结合了卷积和Transformer的优势，因此本文基于Swin Transformer提出了一种图像修复模型SwinIR。和现有模型相比，SwinIR具有更少的参数，且取得了更好的效果。

超分辨率论文阅读—Real-ESRGAN(2021ICCV) - 知乎Real-ESRGAN: Training Real-World Blind Super-Resolution with Pure Synthetic Data-----阅读阶段_MengYa_DreamZ的博客-CSDN博客虽然盲超分辨率技术已经在恢复具有未知和复杂退化的低分辨率图像方面进行了许多尝试，但它们仍然远远不能解决一般真实世界的退化图像。

ESRGAN-进击的超分辨率复原 - 知乎研究目的：通过改进SRGAN（Super-Resolution Generative Adversarial Network）来提高视觉质量。ESRGAN是基于SRGAN改进而来到,相比于SRGAN它在三个方面进行了改进1、改进了网络结构、对抗损失、感知损失2、引入Residual-in-Residual Dense Block（RRDB）3、使用激活前的VGG特征来改善感知损失。

BSRGAN超分辨网络 - 知乎2021年新出炉的文章，张凯大哥等人写的。目的是设计一个更复杂但实用的退化模型（包括随机混合模糊、下采样和噪声退化）；如何构建一个实际的图像降级模型；ESRGAN2019年的模型FSSR，2020年的模型Rral-SR；有参：PSNR(峰值信噪比)、SSIM(结构相似性)、LPIPS(学习感知图像块相似性，也成为感知损失)。无参：NIQE(自然图像质量评价器)、NRQM、PI(评估图像锐度、噪声、伪影和整体的质量)；PSNR。

超分辨率论文阅读—SRGAN - 知乎提示：以下是本篇文章正文内容，下面案例可供参考1、超分辨率问题由低清图像恢复的高清图像采用的是MSE(Mean Square Error)作为损失函数，该损失函数会造成恢复出来的图像高频信息不足，视觉感知不佳。使用MSE训练的网络恢复出的图像高频信息不足，整体图像趋于模糊。基于此问题，SRGAN提出使用GAN将恢复的图像拟合到真实数据集的分布上。论文中有一幅图很好的解释了区别：超分辨率是一个病态问题（ill-posed)，一个低清图像块可以对应多个高清图像块。