超分辨率的论文总结在博客https://blog.csdn.net/TeFuirnever/article/details/90719309中，所有的论文在压缩包中。

基于双正则化参数的在线字典学习超分辨率重建

基于图像块分类处理的快速单图超分辨率重建

基于双正则化参数的在线字典学习超分辨率重建

MREJ：在ImageJ上进行MRE弹性重建

基于多视点同步成像的三维重建方法

Kinect实现简单的三维重建-附件资源

冠状动脉支架置入已经成为冠状动脉粥样硬化性心脏病的重要治疗手段。药物洗脱冠状动脉支架断裂(CSF)的识别与检测是目前的难点问题。血管内光学相干层析成像(IVOCT)系统以其极高的成像分辨率在CSF识别与检测方面具有独特优势。本文提出了一种在IVOCT中对冠状动脉支架精准重建的方法。该方法利用金属支架具有成像阴影这一特征,在血管边界分割后,将支架及其一定深度阴影的强度值进行累加生成一维数组,然后将一维数组按照回撤次序排列形成支架展开图像。与三维成像、纵切图像等支架重建方法相比,所提方法不仅可以保持支架的整体结构,而且避免了对操作人员空间想象力的要求。本文利用所提重建方法定量识别和分析了CSF,该方法可针对不同的支架结构选择不同的IVOCT成像参数。

通过优势集聚类的视网膜血管网络拓扑重建和动脉/静脉分类

针对现有图像超分辨重建方法难以充分重建图像的细节信息且易出现重建的图像缺乏层次的问题,提出一种基于自注意力深度网络的图像超分辨重建方法。以深度神经网络为基础,通过提取低分辨率图像特征,建立低分辨率图像特征到高分辨率图像特征的非线性映射,重建高分辨率图像。在进行非线性映射时,引入自注意力机制,获取图像中全部像素间的依赖关系,利用图像的全局特征指导图像重建,增强图像层次。在训练深度神经网络时,使用图像像素级损失和感知损失作为损失函数,以强化网络对图像细节信息的重建能力。在3类数据集上的对比测试结果表明,所提方法能够提升图像超分辨重建结果的细节信息,且重建图像的视觉效果更好。