深度学习与传统方法结合的超分辨率：Kai Zhang
1、
(CVPR, 2019)
Deep Plug-and-Play Super-Resolution for Arbitrary https://github.com/cszn/DPSR
2、
(CVPR, 2017)
Learning Deep CNN Denoiser Prior for Image Restoration https://github.com/cszn/IRCNN 论文
Learning Deep CNN Denoiser Prior
Experiments：Image Denoising、Image Deblurring、Single Image Super-Resolution
3、CVPR论文 | 如何处理多种退化类型的卷积超分辨率？作者：张凯 ，2018-07-24
SRMD 论文链接 Learning a Single Convolutional Super-Resolution Network for Multiple Degradations
阿里巴巴达摩院机器智能技术实验室
提出了一种简单、有效、可扩展的超分辨率模型，其不仅可以处理bicubic降采样退化模型，并且可以处理多个甚至是退化空间不均匀的退化类型，为SISR实际应用提供了一种解决方案。
基于判别学习的方法尤其是基于CNN的方法因其速度快、可以端对端的学习因而效果好等在近几年受到了广泛关注，并且逐渐成为解决SISR的主流方法。
自从首个用CNN解决SISR的工作SRCNN在ECCV（2014）发表以来，各种不同的改进方法相继提出。例如，VDSR在PSNR指标上取得了非常大的提升；ESPCN和FSRCNN分别在速度上进行了改进；SRGAN在放大倍数较大情况下针对视觉效果的改善提出了有效的方法。
然而这些方法都存在一个共同缺点，也就是它们只考虑双三次(bicubic)降采样退化模型并且不能灵活地将其模型扩展到同时（非盲）处理其它退化类型。由于真实图像的退化过程多种多样，因而此类方法的有效实际应用场景非常有限。
一些SISR工作已经指出图像退化过程中的模糊核的准确性对SISR起着至关重要的作用，然而并没有基于CNN的相关工作将模糊核等因素考虑在内。为此引出本文主要解决的问题：是否可以设计一个非盲超分辨率（non-blind SISR）模型用以解决不同的图像退化类型？
非盲SISR应该将退化模型中的模糊核和噪声水平也作为网络的输入。然而LR图像、模糊核和噪声水平三者的维度是不同的，因此不能直接作为CNN的输入。
维度拉伸策略，张量称之为退化图（Degradation Maps）。
将退化图和LR图像合并在一起作为CNN的输入。
【转载自】
阿里巴巴Poster论文：处理多种退化类型的卷积超分辨率 | CVPR 2018-创头条 http://www.ctoutiao.com/719745.html
CVPR论文 | 如何处理多种退化类型的卷积超分辨率？-云栖社区-阿里云 https://yq.aliyun.com/articles/690790
【论文分析细节】
基于深度学习的图像去噪暨SRMD论文阅读笔记 - gwpscut的博客 - CSDN博客 https://blog.csdn.net/gwplovekimi/article/details/85043579