研究路径
一.第一学期研究模型
1.基础模型（2014-2019）
注：这一时期的单图超分辨率模型主要是以基于CNN的架构为主，提高模型的PSNR/SSIM
2014年，SRCNN，前端上采样框架，深度学习的首个超分应用
▼点击可显示图片
2016年，FSRCNN，后端上采样框架，首次利用了转置卷积层进行上采样
▼点击可显示图片
2016年，VDSR，前端上采样框架，在超分任务中首次使用了残差连接
▼点击可显示图片
2016年，DRCN，前端上采样框架，在超分任务中首次使用了递归监督
▼点击可显示图片
2016年，ESPCN，后端上采样框架，首次提出了亚像素卷积层
▼点击可显示图片
2017年，SRDenseNet，首次将稠密连接运用到超分模型中
▼点击可显示图片
2017年，SRGAN，首次将GAN运用到超分模型中
▼点击可显示图片
2017年，EDSR，在EDSR的基础上进行了改进，并创建了多尺度的架构
▼点击可显示图片
多尺度架构：
2018年，RDN，将残差密集块（RDB）运用到超分模型中
▼点击可显示图片
残差密集块（RDB）
2018年，ESRGAN，是对SRGAN的改进模型，运用了级联残差密集块(RRDB）
▼点击可显示图片
2018年，RCAN，首次在超分任务中引入了通道注意力机制（CA），计算不同通道特征图的注意力权重
▼点击可显示图片
RCAB架构：
CA架构：
2019年，SRFBN，首次在超分任务中引入了反馈网络机制。
▼点击可显示图片
FB(反馈块)：
- xxx
2.进阶时代（2020年以后）
注：随着概率扩散模型（Denoising diffusion probabilistic models，2020）的火爆，这一时期的单图超分辨率模型大多数基于扩散模型，解决超分辨率任务的病态问题（ill-posed problem），同时提高重建图片的感官质量。
同时，基于Transformer的模型也开始大量出现
2020年，SRFlow，首次在超分辨率任务中引入了标准化流机制（生成式模型）
▼点击可显示图片
2021年，SR3&SRDiff的出现，标志着扩散模型开始大量应用于超分辨率领域
▼点击可显示图片
SR3:
SRDiff:
2022年-2024年，SR&transformer，基于Transformer的MRI-超分辨率模型被广泛应用。
▼点击可显示图片
CFTN:
ASFT:
CRFM:
