简话S R(持续更新）

目前基于深度学习（主要还是CNN）最为经典的论文应该是SRCNN[1]、FSRCNN[2]、ESPCN[3]、VDSR[4]、EDSR[5]、SRGAN[6]这几篇论文。
一、从SRCNN到FSRCNN
SRCNN是最早用CNN来进行超分辨率重建的论文（Kaiming He也参与其中），FSRCNN是SRCNN作者的改进，主要贡献在于直接原图像进行端对端的重建，在速度上也非常快，如图。

二、ESPCN优化上采样方法

如图，ESPCN主要提出了subpixel convolution的方法，这种方式在之后很多方法的上采样重建中都有被使用（NTIRE2017的超分辨率冠军EDSR也采用了该方法）。
三、VDSR引入全局残差

如图，VDSR则是第一个将全局残差引入SR的方法，使得训练速度明显加快，在PSNR以及SSIM评价指标上有了很大的提升。VDSR之后大部分方法都采用了这种方式。当然还有很多很优秀的网络例如RED、DRRN、MemNet、LapSR这里不在过多介绍。有兴趣的朋友可以深入了解下。

四、EDSR 加入增强的ResNet，移除了batchnorm

EDSR是首届NTIRE2017的超分辨率冠军，其主要使用了增强的ResNet，移除了batchnorm，使用了L1 loss训练。如图。
五、SRGAN 开山GAN SR

而SRGAN则是第一篇（我的认知里是第一篇，有待查证，同时期Li FeiFei组[7]也有类似的一篇做style transfer的论文中做了SR）将GAN引入SR重建的，如图5，此外SRGAN与其他上述方法，不同的是重建得到的图像虽然比上述方法都要清晰，但在PSNR和SSIM上都要比上述方法甚至是bicubic上采用得到都要低很多。主要原因SRGAN使用了style transfer里用到的感知损失（当然也用非GAN方法使用感知损失的，例如EnhanceNet[8]），而感知损失重建的图像在人类的认知视觉上更舒服，但细节恢复上确实会和原图相差很多。论文中的图片上我们就可以找找茬。
参考：大牛分享 | NTIRE 2018 图像超分辨率 CVPR Workshop优胜方案