【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等

置顶十小大

已于 2025-08-13 11:35:47 修改

阅读量2.4w

点赞数 112

CC 4.0 BY-SA版权

分类专栏：超分辨率重建（理论+实战，科研+应用）文章标签：超分辨率重建人工智能图像处理深度学习计算机视觉图像超分 pytorch

于 2024-03-25 15:50:42 首次发布

本文链接：https://blog.csdn.net/qq_36584673/article/details/136846296

超分辨率重建（理论+实战，科研+应用）专栏收录该内容

254 篇文章 ¥199.90 ¥299.90

订阅专栏

本专栏全面解析【超分辨率重建】，涵盖图像和视频超分，包括算法模型、论文精读、代码复现、环境配置、实践应用等。提供论文阅读和写作指导，Pytorch代码实现，模型权重文件，适用于初学者、毕业设计和实际应用需求。内容丰富，从SRCNN开始，覆盖众多经典模型，适合科研和应用需求。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

关键词：Image Super-Resolution、Video Super-Resolution

专栏简介

本专栏研究领域为【超分辨率重建】，涵盖图像超分、视频超分，实时超分，4K修复等方面。主要内容包括主流算法模型的论文精读、论文复现、毕业设计、涨点手段、调参技巧、论文写作、应用落地等方面。

算法模型从SRCNN开始更新至今，一般是一篇论文精读对应一篇论文复现。

论文精读详解理论，归化繁为简，归纳核心，积累词句，培养阅读论文和论文写作能力。
论文复现依托Pytorch代码，实现完整的模型训练流程，总结调参方法，记录碰到的bug，论文插图可视化，培养读写代码能力、做实验的能力、以及应用落地能力。在复现大量的算法后，专栏会更新涨点方法，帮助有需要的同学找到创新点。专栏中还会更新一些实用技术，帮助大家解决实际问题。此外，专栏会更新超分算法相关的毕业设计，以完整软件项目的形式呈现（UI界面+超分算法）。

为什么要精读论文？

培养科研思维并养成习惯。科研是发现问题解决问题的过程。看论文的首要意义在于走一遍别人走过的路，模仿就是学习和入门最便捷的途径。没有创新思路一定是看的论文不够多。论文具有时间上的连续性，很多文章都是在前人的工作基础上研究的，那么某个方向近几年的文章就是要重点关注的，形成体系，积累思路和手段，从而在读文章的时候迅速找到该文章方法的缺陷，进而产生idea和motivation。
寻找baseline，确定方向。论文能否发表取决于审稿人，那么论文作者写作的针对人群是审稿人而不是大众读者，即使很简单的idea也会经过包装让审稿人觉得高大上。因此，精读的目的既是抽丝剥茧，抓重点，让大家从不知所云的文字中快速理解论文的做法，并快速判断是否有进一步做的价值，如果能发现问题，也就找到了baseline，并根据自己看过的大量文章中检索类似问题的解决办法或经验，进而实现创新。
学习论文写法。终归是要自己写论文的，那么顶刊顶会论文的写作思路、文笔、用词、故事讲法等就是最好的学习素材。

为什么要复现论文？

入门。学习代码结构，数据集准备与预处理、训练、推理、测试走一遍完整流程，熟悉实验过程，增强代码调试能力，熟练风格类似的代码框架，比如EDSR和BasicSR的框架使用，以便后续训练和测试自己提出的模型，此外有的论文源码中还会提供画图的相关代码，能大幅提升科研效率；
寻找baseline。你的创新实现大概率是在别入的代码基础之上实现的，那么就一定要会baseline的全部代码，这样才知道如何修改和添加结构；
便于实验对比。跑出评估指标PSNR/SSIM和可视化结果。有的代码没提供可视化结果，就需要自己跑出来对比，如果你不是在benchmark上做，而是有自己的数据集，那么就更需要重新在自己的数据集上训练跑出结果。

从零开始发一篇SCI

调研阶段：问题背景，问题描述，基础知识，综述，大概掌握主流方法；
精读论文：根据调研经过按发展顺序精读10~20篇论文，搞懂主流方法的motivation，针对问题提出的idea，创新点切入，实验设计等，既学习方法也学习论文写法；
复现论文：与2紧密相连，论文中idea的代码实现，框架使用，巩固方法，积累实用的代码块，熟练掌握训练和测试流程（为了跑自己的实验），跑出定量结果和定性结果（为了对比）。注：定性结果一般直接抄之前工作论文中的结果，定性结果一般源码中会给出下载，如果没给则需要自己跑出然后做对比，如果重新训练自己的数据集则都需要跑。
2和3结合，目的如下：（1）积累同一个benchmark下的各方法定量结果（PSNR/SSIM等），overleaf中建一个项目积累；（2）积累同一个benchmark下的个方法定性结果（visual results），弄个移动硬盘复现一篇就保存好一篇的结果；（3）积累各方法的参考文献bib格式，overleaf建个.bib积累；（4）找之前工作存在的问题、局限、可以改进的地方等，弄个文档做笔记。注：积累的目的是提高效率，避免重复性工作以及手忙脚乱。（4）是核心，无论如何创新都是最主要的，但创新的前提是掌握研究方向的发展进程，养成解决问题的思路，锻炼代码实现能力。注：如果你是硕士只发一篇文章就毕业并且以后打死也不再发论文了，则不用积累。准备读博或者以后当老师的同学则需要积累，经常换方向是大忌，积累则一劳永逸，能更专注于创新点而不在于重复性工作，需要什么直接从自己积累的库中提取即可。
做实验：根据3养成的训练和测试流程做一遍自己的idea，时刻记录实验结果，做好实验结果的分类与管理，避免混乱，根据实验效果判断是否成文（自己或组里讨论对idea有个大概的判断），如果work就奔着一区/CCFA投，如果不work经导师同意则可以投三四区。根据2学习好文章的实验做法，做消融以及其他补充实验，丰富工作量。
成文：先做图表，后写文字。一般5和6是同步进行的，5在等待实验结果的时候，6就可以先写提纲并填充引言和相关工作等与实验无关的内容。不建议先写method，除非你的idea非常明确完全不会变动。有可能在实验的过程中你会发现某个模块比现在idea中的模块还好，就会有公式和结构图变动，因此method和experiment部分最好是等完全确定下来不改了之后再写。图表都弄好之后，可以配合AI阐述并填充文字部分，最后自己修改润色等。
投稿：根据不同期刊/会议先阅读官方说明，然后按步骤投稿即可，多查查前人的教程攻略，不用怕有问题，有问题会退回来改完再重新投就行。
如果你只需要做项目而不需要发论文，则只进行步骤2和步骤3即可。如果你需要发文章且基础较好则可以忽略步骤1。本专栏的意义之一是可以帮你节省调研的时间，直接从【精读论文】开始即可。

专栏亮点

省时：超分辨率领域论文全覆盖，算法模型全，主流的算法模型都会涉及结合能搜集到的资料深入浅出解读，按顺序阅读即可，节省搜论文的时间。【论文复现】文章末尾会提供训练好各放大倍数下的最优性能（PSNR最优）模型权重文件，读者可以下载直接使用，方便论文中实验部分方法对比（视觉效果和量化指标）或直接应用模型超分自己的图像数据。
省力：大白话讲解，手把手教学，带你读论文，写代码，理解文章的算法和创新点，避免一个人对着论文死磕但还是不理解的情况出现。按部就班，肯定能跑出好的模型结果，帮助你了解论文内容和结构，积少成多，学会写论文。同时，让你少走弯路，避免模型调参四处碰壁，涉及的模型都提供训练好的权重文件，可以直接拿来测试自己的图像。
省事：努力做全网最全最好最详细的【超分辨率】专栏，专栏永久更新，第一时间更新最新的超分领域内容，关注订阅后一劳永逸，关注账号后更新了会私信告知。有问题可以随时留言交流，大家一起讨论总比一个人死磕要强。

适配人群

研究超分辨重建的新手小白，希望快速入门
有毕业需要的本科生（毕业设计）、研究生（导师放养，缺乏科研能力以及论文写作经验），希望有一篇论文毕业
有训练自己特定需求数据的工作者，本专栏将帮你跑通流程，训练你自己的数据
有实际应用需求场景的工作者，本专栏将提供已经训练好的模型去超分你自己的数据，比如医学领域的MRI图像、生物领域的细胞图像和其他需要应用的领域。有泛化性非常好的数据集训练出来的模型。（如果你没有硬件条件去训练，而只是想用模型超分你自己的数据）
想挣钱搞副业的奋斗者，希望用超分技术解决客户问题，通过技术手段赚钱。比如老照片修复，4K修复视频等等。

建议：有科研需要的同学【论文精读】和【论文复现】都看，理论+实验；有做项目应用需要而不需要写论文的同学可以只看【论文复现】，有最优PSNR的模型文件，可以直接用，超分自己的图像。

关于答疑

宗旨：先仔细阅读文章，有问题再问。

基础薄弱的同学先学深度学习基础，搞明白框架和执行逻辑，重点为pytorch（数据处理DataLoader、模型实现nn、训练相关）、cv2和PIL等图像处理基础，有的问题搜一搜，查一查，把基础打好。

欢迎提出以下问题：

专栏内文章中出现的错误和表意不明的内容；
代码报错；
与算法模型相关的讨论，改进等；
希望我后续出的文章，方向，功能需求等；
友好的讨论，各种方面都可以，论文、投稿、读研读博、当老师等；

符合以上条件的，我知无不言，作为一名高校教师，我很愿意和友好的学生沟通！工作很忙，空闲时间看见了就会回复。

以下评论和问题不回：

不友好的攻击与谩骂，没有礼貌的；比如：“这么简单的东西还收费”。你觉得简单，还有很多需要入门的小伙伴不觉得简单，不要用你的标准来评判他人；
不看文章一通乱问的；答案就在文章中，仔细阅读，文章写的很细致，问我我给你回答没有你仔细阅读效率高；
表述不明，完全不知所云的；不明白你的问题，自然无法解答；
上来就要代码的，想白嫖的，套话的；不要问我这个方案可不可以，能不能给个创新idea等厚脸皮的话。一切都要自己动手做，去试了才知道，谁有好的想法不都自己发文章了吗，还能告诉你吗？
我也不会的；我不是神仙什么都会，可以讨论，但不能要求我一定能回答；

订阅专栏后的答疑是作为附加的增值服务，我没有义务什么离谱的问题都回答你，即使你花了钱也不行，每个人的标准不同，求同存异，友好相处，有问题有意见可以提，但别找骂。

注：有的文章质量可能偏低，可能是我先发出来准备后面再完善的，大家不用担心，做事情先完成再完美。

环境配置

笔者的项目环境：

编译器：pycharm
torch 1.12.1
windows11
服务器4个GPU，Titan RTX

pycharm专业版远程连接服务器运行。你可以根据自己的情况使用不同配置，结果不会差很多。

如果你的环境不同，请根据自己的情况修改部分代码。

例如，多个GPU就会用到torch.nn.parallel DataParallel，而且会model.to(device)或者to cuda。而你自己的环境是windows本地跑，只有一个GPU，那么就需要修改对应部分的代码。

仅做参考，相信大多数人的环境应该都能运行。实在不行，只能升级设备了。

超分理解

超分辨率（Super-Resolution），顾名思义，是将低分率的图像变成高分辨率的图像。它是低级别（low-level）的图像复原任务（同级别的还有去噪）。但是，超分是病态的（ill-pose）。它是无中生有，凭空创造出来的。为的是改善视觉效果，提升后续工作的效率。

那么，图像是如何无中生有，从低分辨率到高分辨率的呢？

请添加图片描述

举一个分辨率放大2倍的例子。GT是Groud Truth，也是HR。作为标签（label）或者目标（target）指导低分率图像要向着什么目标努力。低分辨率图像是通过插值算法造出来的，常见的方法是用双三次插值缩小再放大（也可以添加高斯噪声）。当然，如果你自己有两个2倍关系的数据，低分辨率（LR）的是输入，高分辨率（HR）是GT。

这样，LR和HR之间有一个映射，通过损失函数最小化来得到最优的模型。

如上图所示，Input就是通过双三次插值（Bicubic）先缩小2倍（LR）再放大2倍的结果。Output是通过模型将LR超分的结果。

横向对比，一个是不同算法的对比，得出我们的模型更好的结论；一个是超分的结果与GT对比，得出我们的模型更接近于原图。质量评估，可视化看清晰度；量化评估，看PSNR和SSIM等指标。

常见的传统方法对比有：nearest，双线性，双三次，lanczos，sinc，spline等。

然而，实际应用场景中，想让图像从模糊变清晰，往往是给出模糊图像，而不是像上图中作为GT，也没有对应放大倍数后想达到的指导。超分之后，发现图像还是模糊。

这是为什么呢？

答：超分只是将图像的分辨率放大，模糊是因为失焦或图像大小变化导致的，超分才有效果。一定要分析模糊产生的原因，是因为噪声模糊（去噪模型）、运动模糊（有对应的去运动模糊的方法）还是大小变化模糊。

实际应用往往需要去噪、锐化、超分等多种图像复原手段共同作用才能产生比较好的效果。

所以，当你训练的超分模型效果不好时，不必气馁。需要写论文的只站在论文的角度思考有提升就可以；需要实际应用的调调数据或者换换模型，总会守得云开见月明，轻舟已过万重山。

实现流程

超分也和其他深度学习任务相同，一般分为以下几步实现算法模型：

网络模型定义：明确网络的输入和输出，以及维度。
数据预处理：根据网络的输入处理数据，适配网络。数据增强：超分的数据增强一般为旋转[0,90,180,270]、翻转（左右、上下）、缩放(0.5~1倍之间)。超分的输入一般不是以整张图像的形式，而是裁剪图像的一小块输入。为了覆盖所有的图像特征，数据集会非常大，对设备要求也很高，对于参数也有影响。数据集一般做成.h5格式。超分是low-level任务，一些tricks对模型的提升帮助不大。初始图像大小需要调整为能整除放大倍数，会有一些像素损失，影响最终的结果。
模型训练：常规步骤，根据不同方法具体实现。最好能边训练边验证。
模型测试：用测试集测试模型，计算平均PSNR和SSIM。
其他补充：训练过程可视化（visdom、Tensorboard），科研作图（epoch和psnr的关系），可视化feature map等，可能出现在论文中的内容。

文章目录

基础知识

三个常用的SR框架

内容如下：

使用方式：训练和测试跑通图文教程、如何修改成自己的数据集和网络、报错解决并适配高版本的Python/Pytorch/Cuda等；
全代码逐行注释，肯定能看懂；

BasicSR：https://github.com/XPixelGroup/BasicSR
EDSR-Pytorch：https://github.com/sanghyun-son/EDSR-PyTorch
- 框架解析：【图像超分】论文复现：EDSR-Pytorch框架 | 无报错跑通，全代码解析
- EDSR-Pytorch代码风格的模型：RCAN、SAN、ESRT、ELAN、SPIN、RFDN
KAIR：https://github.com/cszn/KAIR
- 框架解析：【图像超分】论文复现：以SwinIR为例，使用KAIR工具箱训练和测试SR模型，详细解析KAIR各脚本功能，学会如何修改代码使用自己的数据训练自己的模型
- KAIR代码风格的模型有：SwinIR

一些论文源码只给出了模型结构，训练和测试是基于上面这三个库的。所以，如果想在这些模型上用自己的数据集做对比实验，就必须掌握这三个框架的使用，以便跑出结果。如果还是在benchmark上做，只需要指标而不需要超分可视化结果（有的代码没给模型和可视化结果），又不以这些模型作为baseline，则无需会。总之，以哪个模型作为baseline，则学习哪个模型源码的框架，目前basicsr是主流，后两个框架未来应该也不太会用了。

EDSR-Pytorch是单独架构，BasicSR的很多脚本来自于KAIR，BasicSR属于完全体。有BasicSR自然不会再用KAIR了。

数据集相关

可解释性（论文中的可视化说明）

图像超分（Image Super-Resolution）

分类方法：以论文中实验部分的小标题为准，做了Lightweight就会收录到高效/轻量化超分中。

经典超分（Classical SR）

序号	题目	模型	出处和年份	关键词	精读	复现
1	Enhanced Deep Residual Networks for Single Image Super-Resolution	EDSR/MDSR	CVPRW 2017	CNN	点我跳转到精读文章	点我跳转到复现文章
1	Deep Back-Projection Networks For Super-Resolution	DBPN	CVPR 2018	CNN、反投影	点我跳转到精读文章
1	Second-order Attention Network for Single Image Super-Resolution	SAN	CVPR 2019	CNN、Attention	点我跳转到精读文章	点我跳转到复现文章
1	Single Image Super-Resolution via a Holistic Attention Network	HAN	ECCV 2020	CNN、Attention	点我跳转到精读文章
3	ClassSR: A General Framework to Accelerate Super-Resolution Networks by Data Characterist	ClassSR	CVPR 2021	通用加速框架、图像分类引入SR任务	点我跳转到精读文章
3	Reflash Dropout in Image Super-Resolution	RDSR	CVPR 2022	dropout提升泛化能力	点我跳转到精读文章
1	Cross Aggregation Transformer for Image Restoration	CAT	NeurIPS 2022	Transformer、窗口自注意力改进	点我跳转到精读文章	点我跳转到复现文章
1	Activating More Pixels in Image Super-Resolution Transformer	HAT	CVPR 2023	Transformer、混合窗口自注意力	点我跳转到精读文章	点我跳转到复现文章
2	Dual Aggregation Transformer for Image Super-Resolution	DAT	ICCV 2023	Transformer、改进自注意力	点我跳转到精读文章	点我跳转到复现文章
3	SRFormer: Permuted Self-Attention for Single Image Super-Resolution	SRFormer	ICCV 2023	Transformer、窗口自注意力改进	点我跳转到精读文章	点我跳转到复现文章
4	Attention Retractable Frequency Fusion Transformer for Image Super Resolution	ART	CVPRW 2023	Transformer、改进自注意力、频域	点我跳转到精读文章
4	Accurate Image Restoration with Attention Retractable Transformer	ART	ICLR 2023	Transformer、改进自注意力、Swin	点我跳转到精读文章
4	DRCT: Saving Image Super-Resolution away from Information Bottleneck	DRCT	CVPRW 2024	Transformer、密集残差链接、Swin	点我跳转到精读文章	点我跳转到复现文章
4	Recursive Generalization Transformer for Image Super-Resolution	RGT	ICLR 2024	Transformer、改进自注意力	点我跳转到精读文章
4	MTKD: Multi-Teacher Knowledge Distillation for Image Super-Resolution	MTKD	ECCV 2024	Transformer、蒸馏	点我跳转到精读文章
4	Multi-scale Attention Network for Single Image Super-Resolution	MAN-base	CVPRW 2024	全卷积网络，大核卷积	点我跳转到精读文章	点我跳转到复现文章
4	Image Processing GNN: Breaking Rigidity in Super-Resolution	IPG	CVPR 2024 Award & Oral	图卷积、Transformer	点我跳转到精读文章
5	Progressive Focused Transformer for Single Image Super-Resolution	PFT	CVPR 2025	Transformer、Attention（当前层利用前一层的Attention Map）、	点我跳转到精读文章	点我跳转到复现文章

任意尺度超分（Arbitrary-Scale SR）

序号	题目	模型	出处和年份	关键词	精读
1	Learning Continuous Image Representation with Local Implicit Image Function	LIIF	CVPR 2021 Oral	图像的连续表示、自监督	点我跳转到精读文章
2	Local Implicit Wavelet Transformer for Arbitrary-Scale Super-Resolution	LIWT	BMVC 2024 Oral	小波变换	点我跳转到精读文章
2	Chain-of-Zoom: Extreme Super-Resolution via Scale Autoregression and Preference Alignment	CoZ	arXiv 2025	与模型无关、GRPO、VLM、无损放大256倍	点我跳转到精读文章

高效/轻量化超分（Efficient/Lightweight SR，ESR）

方法汇总：
轻量化超分常见手段：
文章列表：

序号	题目	模型	出处和年份	关键词	精读	复现
1	Learning a Single Convolutional Super-Resolution Network for Multiple Degradations	SRMD	CVPR 2018	CNN、引入噪声映射	点我跳转到精读文章
1	Fast, Accurate, and Lightweight Super-Resolution with Cascading Residual Network	CARN	ECCV 2018	CNN、残差块	点我跳转到精读文章
1	Lightweight Image Super-Resolution with Adaptive Weighted Learning Network	AWSRN	arXiv 2019	CNN	点我跳转到精读文章
1	Lightweight Image Super-Resolution with Information Multi-distillation Network	IMDN	ACM MM 2019	CNN、蒸馏	点我跳转到精读文章
1	Fakd: Feature-Affinity Based Knowledge Distillation for Efficient Image Super-Resolution	FAKD	ICIP 2020	CNN、蒸馏	点我跳转到精读文章
1	Multi-Attention Based Ultra Lightweight Image Super-Resolution	MAFFSRN	ECCVW 2020	CNN、Attention	点我跳转到精读文章
1	Learning with Privileged Information for Efficient Image Super-Resolution	PISR	ECCV 2020	CNN、蒸馏	点我跳转到精读文章
1	LatticeNet: Towards Lightweight Image Super-resolution with Lattice Block	LatticeNet	ECCV 2020	CNN、改进残差块	点我跳转到精读文章
1	Residual Feature Aggregation Network for Image Super-Resolution	RFANet	CVPR 2020	残差特征融合、Attention、ESA模块出处	点我跳转到精读文章	只有ESA模块代码
1	Residual Feature Distillation Network for Lightweight Image Super-Resolution	RFDN	ECCVW 2020	CNN、蒸馏	点我跳转到精读文章	点我跳转到复现文章
2	Efficient Image Super-Resolution Using Pixel Attention	PAN	ECCV 2020	CNN、Attention	点我跳转到精读文章	点我跳转到复现文章
2	LAPAR: Linearly-Assembled Pixel-Adaptive Regression Network for Single Image Super-Resolution and Beyond	LAPAR	NeurlPS 2021	CNN	点我跳转到精读文章
2	Exploring Sparsity in Image Super-Resolution for Efficient Inference	SMSR	CVPR 2021	CNN、稀疏性	点我跳转到精读文章
2	Edge-oriented Convolution Block for Real-time Super Resolution on Mobile Devices	ECBSR	ACM MM 2021	CNN、重参数化	点我跳转到精读文章
2	Lightweight Bimodal Network for Single-Image Super-Resolution via Symmetric CNN and Recursive Transformer	LBNet	IJCAI 2022	CNN + Transformer	点我跳转到精读文章
4	Blueprint Separable Residual Network for Efficient Image Super-Resolution	BSRN	CVPRW 2022	CNN、BSConv、Attention	点我跳转到精读文章	点我跳转到精读文章
5	Edge-enhanced Feature Distillation Network for Efficient Super-Resolution	EFDN	CVPRW 2022	CNN、蒸馏、重参数化	点我跳转到精读文章
5	RepSR: Training Efficient VGG-style Super-Resolution Networks with Structural Re-Parameterization and Batch Normalization	RepSR	ACM MM 2022	重参数化、BN	点我跳转到精读文章	未开源
5	Residual Local Feature Network for Efficient Super-Resolution	RLFN	CVPRW 2022	CNN、残差块、Attention	点我跳转到精读文章
5	A Hybrid Network of CNN and Transformer for Lightweight Image Super-Resolution	HNCT	CVPRW 2022	CNN + Transformer	点我跳转到精读文章
6	Fast and Memory-Efficient Network Towards Efficient Image Super-Resolution	FMEN	CVPRW 2022	CNN、Attention、重参数化	点我跳转到精读文章	点我跳转到复现文章
7	Transformer for Single Image Super-Resolution	ESRT	CVPRW 2022	CNN块+Transformer块	点我跳转到精读文章	点我跳转到复现文章
8	Efficient Image Super-Resolution using Vast-Receptive-Field Attention	VapSR	ECCVW 2022	CNN、DWConv、Attention	点我跳转到精读文章	点我跳转到复现文章
9	Efficient Long-Range Attention Network for Image Super-resolution	ELAN	ECCV 2022	Transformer、改进自注意力	点我跳转到精读文章
9	Feature Distillation Interaction Weighting Network for Lightweight Image Super-Resolution	FDIWN	AAAI 2022	CNN、蒸馏	点我跳转到精读文章
9	ShuffleMixer: An Efficient ConvNet for Image Super-Resolution	ShuffleMixer	NeurIPS 2022	CNN、卷积替代自注意力	点我跳转到精读文章	点我跳转到复现文章
10	Multi-level Dispersion Residual Network for Efficient Image Super-Resolution	MDRN	CVPRW 2023	CNN、Attention	点我跳转到精读文章
10	Reparameterized Residual Feature Network For Lightweight Image Super-Resolution	RepRFN	CVPRW 2023	CNN、重参数化、傅里叶损失	点我跳转到精读文章
11	DIPNet: Efficiency Distillation and Iterative Pruning for Image Super-Resolution	DIPNet	CVPRW 2023	蒸馏、重参数化	点我跳转到精读文章
11	Large Kernel Distillation Network for Efficient Single Image Super-Resolution	LKDN/LKDN-S	CVPRW 2023	大核卷积、蒸馏、新优化器Adan	点我跳转到精读文章	点我跳转到复现文章
12	Omni Aggregation Networks for Lightweight Image Super-Resolution	Omni-SR	CVPR 2023	改进自注意力	点我跳转到精读文章	点我跳转到复现文章
13	SRFormer: Permuted Self-Attention for Single Image Super-Resolution	SRFormer-light	ICCV 2023	Transformer、窗口自注意力	点我跳转到精读文章	点我跳转到复现文章
14	Spatially-Adaptive Feature Modulation for Efficient Image Super-Resolution	SAFMN	ICCV 2023	卷积替代Trans块	点我跳转到精读文章	点我跳转到复现文章
15	Dual Aggregation Transformer for Image Super-Resolution	DAT-light	ICCV 2023	Transformer、改进的自注意力	点我跳转到精读文章	点我跳转到复现文章
15	Lightweight Image Super-Resolution with Superpixel Token Interaction	SPIN	ICCV 2023	超像素、多头Attention	点我跳转到精读文章	点我跳转到复现文章
15	DLGSANet: Lightweight Dynamic Local and Global Self-Attention Networks for Image Super-Resolution	DLGSANet	ICCV 2023	Transformer、改进的自注意力	点我跳转到精读文章
15	Feature Modulation Transformer: Cross-Refinement of Global Representation via High-Frequency Prior for Image Super-Resolution	CRAFT	ICCV 2023	CNN+Transformer	点我跳转到精读文章
15	DDistill-SR: Reparameterized Dynamic Distillation Network for Lightweight Image Super-Resolution	DDistill-SR	TMM 2023	CNN、重参数化、蒸馏	点我跳转到精读文章
15	Cross-receptive Focused Inference Network for Lightweight Image Super-Resolution	CFIN	TMM 2023	CNN块+Transformer块	点我跳转到精读文章
15	Efficient Mixed Transformer for Single Image Super-Resolution	EMT	arXiv 2023	Transformer、改进的自注意力	点我跳转到精读文章
15	From Coarse to Fine: Hierarchical Pixel Integration for Lightweight Image Super-Resolution	HPINet	AAAI 2023	改进的自注意力	点我跳转到精读文章
15	Efficient Information Modulation Network for Image Super-Resolution	EIMN	ECAI 2023	用CNN替代Transformer模拟自注意力	点我跳转到精读文章
15	PlainUSR: Chasing Faster ConvNet for Efficient Super-Resolution	PlainUSR	ACCV 2024	CNN、UNet、MobileNetv3、重参数化、Attention	点我跳转到精读文章
15	A Lightweight CNN and Spatial-Channel Transformer Hybrid Network for Image Super-Resolution	CSCTHN	ICME 2024	CNN + Transformer	点我跳转到精读文章
15	A scalable attention network for lightweight image super-resolution	SCAN	Journal of King Saud University - Computer and Information Sciences 2024	CNN、Attention	点我跳转到精读文章
15	Fully 1 × 1 Convolutional Network for Lightweight Image Super-Resolution	SCNet	MIR 2024	CNN、全1×1卷积	点我跳转到精读文章	点我跳转到复现文章
16	FreqFormer: Frequency-aware Transformer for Lightweight Image Super-resolution	FreqFormer	IJCAI 2024	Transformer、改进自注意力块、频域	点我跳转到精读文章	点我跳转到复现文章
17	SMFANet: A Lightweight Self-Modulation Feature Aggregation Network for Efficient Image Super-Resolution	SMFANet	ECCV 2024	Transformer、Attention、特征聚合	点我跳转到精读文章	点我跳转到复现文章
18	HiT-SR: Hierarchical Transformer for Efficient Image Super-Resolution	HiT-SR	ECCV 2024	Transformer、改进窗口自注意力	点我跳转到精读文章	点我跳转到复现文章
19	Transforming Image Super-Resolution: A ConvFormer-based Efficient Approach	CFSR	TIP 2024	Transformer、大核卷积替代自注意力	点我跳转到精读文章	点我跳转到复现文章
19	Efficient Image Super-Resolution with Feature Interaction Weighted Hybrid Network	FIWHN	TMM 2024	CNN+Transformer	点我跳转到精读文章
20	Swift Parameter-free Attention Network for Efficient Super-Resolution	SPAN	CVPRW 2024	Attention、对称激活函数	点我跳转到精读文章	点我跳转到复现文章
20	Large Kernel Frequency-enhanced Network for Efficient Single Image Super-Resolution	LKFN/LKFN-S	CVPRW 2024	频域、FFT、baseline为LKDN	点我跳转到精读文章	点我跳转到复现文章
21	Multi-scale Attention Network for Single Image Super-Resolution	MAN-tiny/light	CVPRW 2024	全卷积网络，大核卷积	点我跳转到精读文章	点我跳转到复现文章
21	Partial Large Kernel CNNs for Efficient Super-Resolution	PLKSR	arXiv 2024	卷积网络，大核卷积，Attention	点我跳转到精读文章
21	Unifying Dimensions: A Linear Adaptive Approach to Lightweight Image Super-Resolution	LAMNet	arXiv 2024	Transformer、卷积替代自注意力、Attention	点我跳转到精读文章
21	See More Details: Efficient Image Super-Resolution by Experts Mining	SeemoRe	ICML 2024	卷积网络、特征融合	点我跳转到精读文章
21	Transcending the Limit of Local Window: Advanced Super-Resolution Transformer with Adaptive Token Dictionary	ATD-light	CVPR 2024	Transformer、改进的自注意力、交叉注意力	点我跳转到精读文章
21	GRFormer: Grouped Residual Self-Attention for Lightweight Single Image Super-Resolution	GRFormer	ACM MM 2024	CNN、卷积替代自注意力、频域	点我跳转到精读文章
21	SRConvNet: A Transformer-Style ConvNet for Lightweight Image Super-Resolution	SRConvNet	IJCV 2024	Transformer、改进的自注意力、交叉注意力	点我跳转到精读文章
21	Image Super-Resolution via Efficient Transformer Embedding Frequency Decomposition With Restart	FDRNet	TIP 2024	Transformer、Octave卷积	点我跳转到精读文章
21	Asymmetric Large Kernel Distillation Network for efficient single image super-resolution	ALKDNet	Frontiers in Neuroscience 2024	非对称大核卷积	点我跳转到精读文章
21	CubeFormer: A Simple yet Effective Baseline for Lightweight Image Super-Resolution	CubeFormer	arXiv 2024	Transformer、改进自注意力、baseline是Omni-SR	点我跳转到精读文章
21	OSFFNet: Omni-Stage Feature Fusion Network for Lightweight Image Super-Resolution	OSFFNet	AAAI 2024	CNN、特征融合、蒸馏	点我跳转到精读文章
21	Lightweight multi-scale distillation attention network for image super-resolution	MSDAN	KBS 2024	CNN、多尺度、蒸馏、Attention	点我跳转到精读文章
22	Dual-domain Modulation Network for Lightweight Image Super-Resolution	DMNet	TMM 2025	频域（傅里叶域+小波域）	点我跳转到精读文章	点我跳转到复现文章
22	Dilated feature distillation attention network for efficient image super-resolution	DFDAN	PR 2025	CNN、蒸馏、扩展卷积、Attention	点我跳转到精读文章
22	Efficient frequency feature aggregation transformer for image super-resolution	EFATSR	PR 2025	Transformer，自注意力改进	点我跳转到精读文章
22	Efficient Attention-Sharing Information Distillation Transformer for Lightweight Single Image Super-Resolution	ASID	AAAI 2025	Attention、蒸馏	点我跳转到精读文章
22	CATANet: Efficient Content-Aware Token Aggregation for Lightweight Image Super-Resolution	CATANet	CVPR 2025	Transformer、Attention、特征聚合	点我跳转到精读文章	点我跳转到复现文章
22	Emulating Self-attention with Convolution for Efficient Image Super-Resolution	ESC	ICCV 2025	大核卷积、卷积替代自注意力	点我跳转到精读文章	点我跳转到复现文章
23	Progressive Focused Transformer for Single Image Super-Resolution	PFT-light	CVPR 2025	Transformer、Attention（当前层利用前一层的Attention Map）	点我跳转到精读文章	点我跳转到复现文章
23	Distillation-Supervised Convolutional Low-Rank Adaptation for Efficient Image Super-Resolution	DSCF/DSCLoRA	CVPRW 2025	CNN、蒸馏、LoRA	点我跳转到精读文章
23	DiMoSR: Feature Modulation via Multi-Branch Dilated Convolutions for Efficient Image Super-Resolution	DiMoSR	arXiv 2025	CNN模拟自注意力、膨胀卷积	点我跳转到精读文章
23	Structural Similarity-Inspired Unfolding for Lightweight Image Super-Resolution	SSIU	TIP 2025	CNN、展开范式	点我跳转到精读文章
23	MAT: Multi-Range Attention Transformer for Efficient Image Super-Resolution	MAT	TCSVT 2025	Transformer，改进自注意力	点我跳转到精读文章
23	Semantic-Guided Global-Local Collaborative Networks for Lightweight Image Super-Resolution	SGGLC-Net	arXiv 2025（看文章应该投的是TIM，有仪器相关的描述）	CNN+Transformer，语义引导，Omni-SR为baseline	点我跳转到精读文章
23	Efficient Star Distillation Attention Network for Lightweight Image Super-Resolution	SDAN	arXiv 2025	CNN，大核卷积，星型蒸馏	点我跳转到精读文章
23	SAAT: Synergistic Alternating Aggregation Transformer for Image Super-Resolution	SAAT	arXiv 2025	Transformer，自注意力部分用双分支	点我跳转到精读文章
23	Transformer-Style Convolutional Network for Efficient Natural and Industrial Image Superresolution	TSCN	TII 2025	Transformer-Style，CNN	点我跳转到精读文章
23	PromptSR: Cascade Prompting for Lightweight Image Super-Resolution	PromptSR	ArXiv 2025	Transformer，prompt	点我跳转到精读文章

盲超分/真实世界图像超分辨率（Blind/Real-world SR）

序号	题目	模型	出处和年份	关键词	精读	复现
1	Deep Constrained Least Squares for Blind Image Super-Resolution	DCLS	CVPR 2022	CNN、模糊核、Attention	点我跳转到精读文章
1	Metric Learning based Interactive Modulation for Real-World Super-Resolution	MM-RealSR	ECCV 2022	无监督、交互调制	点我跳转到精读文章
1	SRFormer: Permuted Self-Attention for Single Image Super-Resolution	SRFormer-light	ICCV 2023	Transformer、窗口自注意力	点我跳转到精读文章	点我跳转到复现文章
1	LightBSR: Towards Lightweight Blind Super-Resolution via Discriminative Implicit Degradation Representation Learning	LightBSR	ICCV 2025	IDR，蒸馏	点我跳转到精读文章
1	Asymmetric content-aided Transformer for efficient image super-resolution	ACT	KBS 2025	Transformer	点我跳转到精读文章
1	Toward lightweight image super-resolution via re-parameterized kernelrecalibration	KRGN	KBS 2025	CNN、重参数化	点我跳转到精读文章

任意尺度超分（Arbitrary-Scale SR）

特定场景超分

医学图像

遥感图像

人脸图像

文本图像

视频超分（Video Super-Resolution）

基于扩散模型的SR模型汇总（Diffusion-based SR Model）

图像恢复（Image Restormation）

说明：通用图像恢复模型（All-in-One），实验中涉及超分。

序号	题目	模型	出处和年份	关键词	精读	复现
1	A Comparative Study of Image Restoration Networks for General Backbone Network Design	X-Restormer	ECCV 2024		点我跳转到精读文章
1	AN EFFICIENT AND MIXED HETEROGENEOUS MODEL FORIMAGE RESTORATION	RestorMixer	arXiv 2025	CNN+Transformer+Mamba	点我跳转到精读文章

理论部分，论文精读

看懂论文，学习算法知识，拓宽思路，提升科研写作能力。

【图像超分】主流算法：

视频超分：

【视频超分】论文精读：FMA-Net: Flow-Guided Dynamic Filtering and Iterative Feature Refinement with Multi-Attention for Joint Video Super-Resolution and Deblurring

其他领域：

实践部分，论文复现

跑通代码，学习超分算法实现流程，复现论文中性能，提升代码能力。

高效科研

论文、代码、数据集、工具、资料汇总

GitHub：超分辨率最全资料集锦
https://github.com/ChaofWang/Awesome-Super-Resolution?tab=readme-ov-file#2024 —— Paper/code汇总，一直更新至今
【实践与问题解决28】最全超分辨率（SR）数据集介绍以及多方法下载链接
6000+Star的超分工具箱项目，整合了多种SR算法
数据集快速处理工具MindsporeDataset
SISR深度学习主要方法简述 —— 表格汇总上采样方法和各模型方法
深度学习的图像超分技术综述-输入单张图像(SISR)和输入多张图像的基于参考的图像(RefSR) —— 同上
基于深度学习的超分辨率图像技术发展轨迹一览 —— 发展历程，原理
SRCNN、DRCN、FSRCNN、ESPCN、SRGAN、RED…你都掌握了吗？一文总结超分辨率分析必备经典模型（一）
VDSR、DRRN、LapSRN、RCAN、DSRN…你都掌握了吗？一文总结超分辨率分析必备经典模型（二）
SFT-GAN、CSRCNN、CSNLN、HAN+、Config (f)…你都掌握了吗？一文总结超分辨率分析必备经典模型（三）
超分辨率重建生成低分辨率图像，生成降质图像公认方法代码 —— 生成LR图像matlab代码（用python生成LR会有性能差异）
超分数据集概述和超分经典网络模型总结 —— 一篇综述，总结了数据集和经典方法
图像超分综述:超长文一网打尽图像超分的前世今生 (附核心代码) —— 各算法创新点及核心代码总结

注：上述链接是本人在学习超分的过程中觉得有用的资料，分享给大家，侵删。

研究方向

benchmark上涨点，改模型结构，迁移其他模块 —— 常规做法（适用于不要求论文等级的同学）
真实世界（Real-World）超分、盲超分 —— 研究热点（但需要算力强，适用于想发稍微好点论文的同学，有一定算力的硬件）
用扩散模型解决超分问题，对标GAN，去噪扩散模型效果更好 —— 研究大热点（适用于想发任何等级论文的同学，但需要硬件算力特别强，没有8个A100也得有4个A40）
细化到具体类别 —— 动漫图像超分、人脸图像超分、医学图像超分、显微图像超分、遥感图像超分、文字文档图像超分（基于某一类特征研究，好出成果，适用于想快速出文章的同学，可以解决实际问题，做项目）
提升超分训练效率（Efficient Image Super-Resolution）
通用方法 —— 将某个方法加入到超分流程中实现更好的效果，比如某个数据增强使用后比不使用效果好，在网络尾端使用dropout比不使用效果好等。

前沿资讯

问题汇总

本小节汇总遇到的问题，不定期更新。

如何做scale=1的超分，即不放大，只变清晰？

答：可以，但不符合超分的做法。因为超分的含义就是提升分辨率，没办法训练scale=1的模型，scale=1就变成其他问题了（想变清晰是去模糊image deblurring）。但可以放大完再缩小。也有输入输出图像大小一致的模型，但不是scale=1训练出来的。总之，有很多手段可以不放大，只变清晰。但不是scale=1。跟图像大小没关系，超分主要是学习不同分辨率图像之间的映射关系，实际上不是图像大小缩放而来的关系，也可以按照超分的流程训练找到LR和HR的关系，LR图像输入模型，模型推理出对应的HR。缩放倍数只是一种得到LR的手段，一种提前设定好的关系。

python与matlab计算PSNR和SSIM的差别

精读论文为啥要全文翻译成中文，而不是直接以英文解析？

研究生一般是用中文写初稿，然后翻译成英文再润色最后投SCI，并且毕业论文是中文写作。因此，中文的语言通顺有助于英文翻译的准确性，也有助于毕业写大论文。

为什么论文的中文翻译有些语句不通顺？

如果通顺就是中文行文习惯Chinglish，比如中文的虽然后必须加但是。英文的虽然后面就没有但是，那么按中文的翻译习惯就不会翻译出来但是。因此，当你在写中文初稿的时候，虽然后面就可以不写但是。例如，虽然xxx解决了xxx问题，(但是)xxx仍有xxx限制。就会自动翻译成Since xxxxxx, xxxxxx. 而不是 Since xxxxxx, but xxxxxx.