1. FSRCNN1. 在最后使用了一个反卷积层放大尺寸2.改变特征维数使用更小的卷积核核使用更多的映射层3. 可以共享其中的映射层如果需要训练不同采样倍率的模型只需要fine-tuning最后的反卷积层2. ESPCN亚像素卷积层批评了FSRCNN的双三次采样的计算量大3. VDSR1. 缩放任意的网络2. 放弃了低频部分3. 残差学习加速了收敛过程4. SRDenseNet不断引入密集的残差5.HAN1. 注意了中间的特征2. 引入了注意力网络6. SwinIRViT的引入7. EDSREDSREnhanced Deep Super-Resolution是面向单图像超分辨率SISR的深度残差网络模型2017 年由韩国首尔大学团队在 CVPR 发表核心是去 BN 深层残差在 NTIRE 2017 挑战赛夺冠属经典高质量重建 SOTA 架构。核心信息速览全称Enhanced Deep Super-Resolution增强深度超分辨率提出时间 / 会议2017 年 CVPRCVPRW 2017 Workshop核心任务单图像超分辨率SISR关键创新移除 BN 层、全局残差学习、子像素卷积上采样典型配置16/32 个残差块、64/256 通道、x2/x3/x4 放大三大核心设计去 BN 层移除所有 Batch Normalization避免特征分布偏移与内存开销保留像素强度与细节。全局残差学习网络不直接预测 HR 图而是学习 “双三次插值放大图 高频残差”ISRILR↑R降低学习难度、加速收敛。子像素卷积用 Pixel Shuffle 实现上采样避免反卷积的棋盘效应提升重建清晰度。与经典模型对比模型核心特点画质 / 速度适用场景SRCNN浅层 3 层卷积一般 / 快快速预览VDSR深层残差、含 BN较好 / 中平衡画质与速度EDSR去 BN、深层残差、全局残差最优 / 中慢老照片修复、影视增强、医学影像