标签
该论文提出了多变量时间序列超分辨率预测（MTS-SRF）任务及 TimeMagnifier 模型，能够从粗粒度历史数据中预测细粒度未来，在十个数据集上以 12.3% 的平均 MSE 降低击败 15 个基线。
提出SNTO框架，将状态、伴随和设计变量用神经网络联合表示并优化，结合多GPU硬件感知训练，实现可扩展的应力约束拓扑优化，可处理高达八百万配置点的三维大规模问题。
VascuSR 是一个迭代式解剖感知扩散框架，将显式3D血管引导与CT超分辨率结合，以提升重建的解剖准确性与血管连通性，在MSD和HVM数据集上显著优于现有基线。
提出RAESR，利用冻结DINOv3-L的23层融合层作为超分辨率的潜空间基底，训练415M解码器将退化嵌入映射回流形，在RealSR、DRealSR、LSDIR和DIV2K-Val上实现最优的保真度-感知权衡，且单张H20 GPU上每512×512图像仅需37ms。
本文介绍了一种生成式大气超分辨率方法，该方法利用可组合接口，以异质现场观测为条件对预训练扩散模型进行调制，从而在不重新训练模型的情况下提升重建准确性。
本文提出了一种用于数据同化的迭代精炼框架，该框架结合神经算子和扩散模型，以超分辨率处理多尺度物理系统，在Kraichnan湍流等基准测试中优于基线方法。
本文提出了BaguanHR框架，该框架使用变量级超分辨率技术从低分辨率源合成高分辨率天气数据，克服了基于机器学习的预报中的数据限制，并展示了幂律缩放效应以提升性能。
RECAST是一个机器学习框架，结合了学习校正与超分辨率技术，以恢复粗网格PDE求解器的精度，在六个一维PDE系统上将误差降低50-92%，从而能够在保持保真度的同时使用更粗的网格进行模拟。
Introduces ZUNA1.1, a 380M-parameter diffusion autoencoder for flexible EEG signal reconstruction, capable of handling variable-length sequences, arbitrary channels, and temporal intervals, while outperforming standard interpolation methods. The model is released open source under the Apache 2.0 license.
一条推文串，倡导更广泛采用HDiT架构和NATTEN，强调其在超分辨率、图像恢复和基因组标注方面的显著速度提升。
本文提出了PhyMRI-SR，一种物理感知的MRI超分辨率方法，它利用高斯溅射和物理约束建模来动态调整分辨率-SNR配置，实现了最先进的性能。
MrFlow 是一种针对流匹配文本到图像模型的免训练多分辨率加速策略，它结合了低分辨率生成、像素空间超分辨率和噪声注入，无需训练或运行时修改即可实现高达25倍的端到端加速。
Patch-PODiff-ViT 引入了一种结构化潜在扩散框架，利用分块本征正交分解 (POD) 实现超分辨率和不确定性量化，通过固定的线性正交基和预测方差的解析传播实现高效扩散。
本文提出了一项新任务：参考引导的生成内容超分辨率与精炼（RefGC-SR²），该任务利用频率感知扩散变换器模型，同时恢复高分辨率细节并修正生成伪影。该方法在后处理阶段利用高分辨率参考图像提升AI生成图像的质量。
本文提出 SRT（时间序列超分辨率），一种使用解耦校正流方法从低分辨率输入重建高分辨率时间模式的框架。该方法将输入分解为趋势和季节性成分，应用隐式神经表示进行分辨率对齐，并引入跨分辨率注意力机制以生成细粒度细节，在多个数据集上实现了最先进的性能。
AirCast-SR 是一个基于扩散模型的基础模型，能够将全球AI天气预报从0.25°降尺度到1公里分辨率，每小时生成一次预报，可产生67小时预报，具有接近零偏差和结构真实感，同时在单个商用GPU上仅需数分钟即可完成推理。
本文介绍了MOSAIC，一种多模态自适应光学显微镜，能够在多种成像模式（宽场、光片、双光子等）之间切换，并对样品引起的光学像差进行自适应校正，从而实现对从单分子到整个生物体的活体成像。
介绍了Q-SRDRN，一种使用分位数损失的多分位数超分辨率网络，用于改进极端降水降尺度，在保持整体精度的同时，显著提高了强降雨事件的检测率。
Wink Engineering 评估了将神经超分辨率作为车牌识别 OCR 预处理手段的有效性，结论是它未能提高准确率，且与直接在低分辨率数据上训练相比，往往导致识别出幻觉字符。
NVIDIA 发布 PiD（Pixel Diffusion Decoder），这是一个条件像素空间扩散模型，将潜在空间到像素的解码和上采样统一到一个生成模块中，一次性生成超分辨率图像。模型检查点和 VAE 权重在非商业许可下发布。