超分辨率 精选的超分辨率资源列表和单个图像超分辨率算法的基准。 请参阅我实现的超分辨率算法： 去做 建立像这样的 最先进的算法 经典稀疏编码方法 ScSR 作为原始图像补丁的稀疏表示的图像超分辨率（CVPR2008），杨建超等。 通过稀疏表示的图像超分辨率（TIP2010），杨建超等。 针对图像超分辨率的耦合字典训练（TIP2011），杨建超等。 锚定邻域回归法 ANR Radu Timofte等人的《基于实例的快速超分辨率的锚定邻域回归》（ICCV2013）。 A + A +：调整后的锚定邻域回归以实现快速超分辨率（ACCV2014），Radu Timofte等人。 IA Radu Timofte等人，《改进基于示例的单图像超分辨率的七种方法》（CVPR2016）。 自我榜样 SelfExSR 变换后的自样本的单图像超分辨率（CVPR2015），黄佳斌等。 贝

论文《Residual Feature Aggregation Network for Image Super-Resolution》源码

Video-Compression-motion-estimation-block-video-encoder：此存储库与视频压缩有关，更具体地说，与视频编码器的运动估计块（ME块）有关。 这是一个研究项目，旨在开发一种有效的运动估计算法，从而使视频压缩技术能够与高帧率视频和高分辨率视频保持同步。

HYRes IV(发音[haires aivi:])是一款软件工具，设计用于使用符合ISO 12233的分辨率图表精确测量数码相机的分辨率。 HYRes软件支持ISO 12233和CIPA标准DC-003“数码相机分辨率测量方法”(见http://www.cipa.jp/std/std-sec_e.html)中描述的测量方法。两个版本的HYRes 3.1(2004)和HYRes ACE(2006)已经由CIPA发布。 HYRes IV是HYRes 3.1和HYRes ACE这两个软件功能的集成，已经更新到最新的操作系统。IV是综合版本的缩写。

High-Resolution Image Synthesis with Latent Diffusion Models机翻

SRMD Pytorch (English version is down below) (建议在环境下操作) 本仓库改编于原作者项目 相关论文：CVPR 2018 模型结构： SRMD已经训练的模型保存在model_zoo中。(模型来源于原作者 https://drive.google.com/drive/folders/13kfr3qny7S2xwG9h7v95F5mkWs0OmU0D) SRMD模型： srmd_x2.pth srmd_x3.pth srmd_x4.pth 输入：19维的数据，其中15维为经过PCA降维后进行维度拉伸的模糊核，还有1个维度为图片噪声维度，另外3个维度分别为图片的RGB通道，即模型输入为：(19,图片宽,图片高) 图片经过GAN网络的处理，最后进行PixelShuffle，放大指定的倍数。 输出：放大了的图片的RGB通道，即模型输出为：(3,图片宽,图

EDSR-Enhanced Deep Residual Networks for Single Image Super-Resolution论文代码，NTIRE2017冠军，Torch写的，欢迎各位下载

学习deep learning for image super-resolution论文后总结出的ppt

Unity分辨率抗锯齿插件MadGoat SSAA Resolution Scale v2.0.8 仅供学习，请勿商用。

深度学习音频超分辨率 这是我的数据科学硕士学位论文项目。 抽象的 音频超分辨率是从低频预测给定信号缺少的高频成分的问题。 最近的一些研究表明，通过将音频超分辨率建模为回归任务，深度学习算法能够取得显着效果。 文献中已经提出了各种各样的方法，包括卷积和递归体系结构以捕获音频帧之间的局部和长期依赖性。 此外，一些研究表明，通过利用傅立叶变换操作作为神经网络配置的组成部分，不仅可以在时间上，而且可以在频域上处理输入信号，可以实现显着的改进。 本项目的目的不仅是要研究这些方法，而且要以有原则的方式将它们结合起来，以探索一种新颖的模型架构。 介绍 本文的重点是在受到一些最新技术启发的情况下，实现一种新颖的模型体系结构。 这项工作中大多数提议的方法都源于以下两项研究： 索耶·比恩鲍姆（Sawyer Birnbaum）等。 “临时电影：用特征明智的调制捕获远程序列依赖性”。 于：神经信息处理系统的进展