盲超分辨率（SR）方法旨在从包含未知降级的低分辨率图像产生高质量的高分辨率图像。然而，自然图像含有各种类型和量的模糊：有些可能是由于相机的固有降解特性，但有些可能是有意的，用于美学目的（例如Bokeh效应）。在后者的情况下，SR方法非常困难，以解开模糊以移除，并尽可能离开。在本文中，我们提出了一种基于SR特征的内核型自适应局部调整（Koala）的新型盲人SR框架，称为Koalanet，其共同学习空间变型劣化和恢复核，以适应空间变体模糊特性在真实的图像中。我们的Koalanet优于由随机降解获得的合成LR图像的最近盲目SR方法，我们进一步表明，KOALAnet有效地处理混合失焦和聚焦区域的图像。

传统的超分辨率（SR）方法通过最小化平均方形误差通常产生具有过平滑和模糊边缘的图像，由于缺乏高频细节。在本文中，我们提出了一种在生成的对抗网络框架内提出了两种新颖的技术，以鼓励为图像超分辨率产生照片 - 现实图像。首先，不是制作单一分数来区分实际和假图像，我们提出了一种变种，称为细粒度关注生成的对抗网络（Fasrgan），以区分实际和假图像的每个像素。 Fasrgggn采用一个像unet-like的网络作为具有两个输出的鉴别器：图像分数和图像分数图。得分图具有与HR / SR图像相同的空间尺寸，用作致细粒的注意力，以代表每个像素的重建难度。其次，而不是使用不同网络的发电机和鉴别器，我们将发电机和鉴别器介绍一个特征共享变量（表示为FS-SRGAN）。共享机制可以在使模型更紧凑的同时保持模型表达功率，因此可以提高生产高质量图像的能力。在基准数据集上具有最先进方法的定量和视觉比较，证明了我们方法的优越性。我们进一步应用我们的超分辨率图像进行对象识别，进一步展示了我们所提出的方法的有效性。代码地址：https:/github.com/rainyfish/fasrgan-and-fs-srgan。

近年来，深度学习方法已经成功地应用于单图像超分辨率任务。尽管深度学习方法有很好的性能，但由于计算量大的要求，它们很难适用于实际任务。 本文通过提出一种精确、轻量级的图像超分辨率深度网络来解决这一问题。 详细地说，我们在残差网络上设计了一个级联机制的架构。我们也展示了多个不同的级联残差模型来验证算法的有效性。大量实验表明，即使用很少的参数和操作，我们的模型也能达到与最先进的方法相当的性能。

超分辨率生成对抗网络（SR GAN）[1]是一项开创性的工作，它能够在单图像超分辨率任务中生成逼真的纹理。然而，虚幻的细节通常伴随着令人不快的伪影。 为了进一步提高视觉质量，我们深入研究了SRGAN 网络架构，对抗性损失和感知损失这三个关键组成部分，并对其中每一项都进行了改进，产生了一个增强型SRGAN（ESRGAN）。 特别需要注意的是，我们在没有使用批量标准化的情况下引入RRDB Residual-in-Residual Dense Block作为基本网络构建单元。 此外，我们借用RaGAN [2]的思想来让判别器预测图像的相对真实性而不是图像的绝对真实性。 最后，我们使用激活前的特征来改善感知损失，这可以提供对亮度一致性和纹理恢复更强的监督力。 从这些改进中，所提出的ESRGAN实现了更好的视觉质量，具有比SRGAN更逼真和自然的纹理并且赢得了PIRM2018-SR Challenge1中的第一名[3]。