混合退化估计与动态残差‒残差密集块的盲图像超分辨率重建方法

doi:10.11772/j.issn.1001-9081.2025081031

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (10): 3324-3331.DOI: 10.11772/j.issn.1001-9081.2025081031

• 多媒体计算与计算机仿真 • 上一篇

混合退化估计与动态残差‒残差密集块的盲图像超分辨率重建方法

张鑫¹, 伊华伟¹(), 赵梦园¹, 王艳飞¹, 张林宸²

^1.辽宁工业大学电子与信息工程学院，辽宁锦州 121001
^2.北部湾大学电子与信息工程学院，广西钦州 535011

收稿日期:2025-09-08 修回日期:2025-11-01 接受日期:2025-11-13 发布日期:2025-11-18 出版日期:2026-10-10
通讯作者: 伊华伟
作者简介:张鑫（2001—），男，辽宁铁岭人，硕士研究生，主要研究方向：深度学习、图像超分辨率重建
赵梦园（1999—），女，山西运城人，硕士研究生，主要研究方向：图像处理、超分辨率重建
王艳飞（1977—），男，辽宁锦州人，高级工程师，博士，主要研究方向：医学图像处理
张林宸（2004—），男，辽宁沈阳人，主要研究方向：图像超分辨率重建。
基金资助:
国家自然科学基金资助项目(12371363);辽宁省教育厅基本研究项目(JYTMS20230860);辽宁省教育厅2024年高等学校基本研究项目(LJ212410154020);兴辽英才计划项目(XLYC2403125)

Blind image super-resolution reconstruction method by integrating degradation estimation and dynamic residual-in-residual dense blocks

Xin ZHANG¹, Huawei YI¹(), Mengyuan ZHAO¹, Yanfei WANG¹, Linchen ZHANG²

^1.College of Electronics and Information Engineering，Liaoning University of Technology，Jinzhou Liaoning 121001，China
^2.School of Electronic and Information Engineering，Beibu Gulf University，Qinzhou Guangxi 535011，China

Received:2025-09-08 Revised:2025-11-01 Accepted:2025-11-13 Online:2025-11-18 Published:2026-10-10
Contact: Huawei YI
About author:ZHANG Xin， born in 2001， M. S. candidate. His research interests include deep learning， image super-resolution reconstruction.
ZHAO Mengyuan， born in 1999， M. S. candidate. Her research interests include image processing， super-resolution reconstruction.
WANG Yanfei， born in 1977， Ph. D.， senior engineer. His research interests include medical image processing.
ZHANG Linchen， born in 2004. His research interests include image super-resolution reconstruction.
Supported by:
National Natural Science Foundation of China(12371363);Basic Research Project of Educational Department of Liaoning Province(JYTMS20230860);Basic Research Project of Higher Education Institutions of Educational Department of Liaoning Province in 2024(LJ212410154020);Xingliao Talent Program(XLYC2403125)

摘要/Abstract

摘要：

盲图像超分辨率重建致力于在真实场景下将低分辨率（LR）图像恢复成清晰的高分辨率（HR）图像。目前大多数退化估计网络不能较好地估计LR图像的退化信息，并且超分辨率网络中传统残差?残差密集块（RRDB）的泛化能力较差，无法适应复杂的退化类型。针对以上问题，提出混合退化估计与动态残差?残差密集块（DRRDB）的盲图像超分辨率重建方法（IDD-SR）。首先，提出一种混合退化估计网络，并将它用于精确估计图像退化信息；其次，提出一种DRRDB，以提高超分辨率重建网络的普适性；最后，通过端到端联合优化，实现对复杂退化信息的精准预测与图像的高质量超分辨率重建。在Set14、BSD100和DRealSR数据集上的实验结果表明，相较于PDM-SRGAN，IDD-SR的4倍超分辨率峰值信噪比（PSNR）值分别提升了0.90 dB、0.71 dB和0.97 dB，验证了它具有更优的细节恢复能力与伪影抑制效果。

关键词: 图像重建, 盲图像超分辨率, 生成对抗网络, 退化估计网络, 残差?残差密集块

Abstract:

Blind image super-resolution reconstruction focuses on recovering Low-Resolution （LR） images into clear High-Resolution （HR） images in real-world scenarios. Most existing degradation estimation networks cannot accurately estimate the degradation information of LR images， and the traditional Residual-in-Residual Dense Blocks （RRDBs） in super-resolution networks have poor generalization ability， which fail to adapt to complex degradation types. To address the above issues， a blind image Super-Resolution reconstruction method by Integrating Degradation estimation and Dynamic residual-in-residual dense blocks （IDD-SR） was proposed. First， an integrating degradation estimation network was proposed and used for accurate estimation of image degradation information. Then， a Dynamic Residual-in-Residual Dense Block （DRRDB） was proposed to improve the universality of the super-resolution reconstruction network. Finally， accurate prediction of complex degradation information and high-quality super-resolution image reconstruction were achieved through end-to-end joint optimization. Experimental results on the Set14， BSD100， and DRealSR datasets demonstrate that the Peak Signal-to-Noise Ratio （PSNR） values of 4× super-resolution of IDD-SR are improved by 0.90 dB， 0.71 dB， and 0.97 dB， respectively， compared with those of PDM-SRGAN. It can be seen that the proposed method has superior detail recovery capability and artifact suppression effect.

Key words: image reconstruction, blind image super-resolution, generative adversarial network, degradation estimation network, Residual-in-Residual Dense Block (RRDB)

中图分类号:

TP391

张鑫, 伊华伟, 赵梦园, 王艳飞, 张林宸. 混合退化估计与动态残差‒残差密集块的盲图像超分辨率重建方法[J]. 计算机应用, 2026, 46(10): 3324-3331.

Xin ZHANG, Huawei YI, Mengyuan ZHAO, Yanfei WANG, Linchen ZHANG. Blind image super-resolution reconstruction method by integrating degradation estimation and dynamic residual-in-residual dense blocks[J]. Journal of Computer Applications, 2026, 46(10): 3324-3331.

图/表 11

参考文献 30

[1]	Niu B， Wen W， Ren W， et al. Single image super-resolution via a holistic attention network ［C］// ECCV 2020， LNCS 12357. Cham： Springer， 2020： 191-207.
[2]	Liu Y， Chen H， Chen Y， et al. Generic perceptual loss for modeling structured output dependencies ［C］// CVPR 2021. Piscataway： IEEE， 2021： 5420-5428.
[3]	Ma C， Zhang J， Zhou J， et al. Learning series-parallel lookup tables for efficient image super-resolution ［C］// ECCV 2022， LNCS 13677. Cham： Springer， 2022： 305-321.
[4]	郭琳，刘坤虎，马晨阳，等. 基于感受野扩展残差注意力网络的图像超分辨率重建［J］. 计算机应用， 2024， 44（5）： 1579-1587.
	Guo Lin， Liu Kunhu， Ma Chenyang， et al. Image super-resolution reconstruction based on residual attention network with receptive field expansion ［J］. Journal of Computer Applications， 2024， 44（5）： 1579-1587.
[5]	王晓峰，黄煜婷，张文尉，等. 面向超分辨率重建的层次间局部特征增强网络［J］. 计算机工程与设计， 2024， 45（8）： 2407-2414.
	Wang Xiaofeng， Huang Yuting， Zhang Wenwei， et al. Hierarchical local feature enhancement network for super-resolution reconstruction ［J］. Computer Engineering and Design， 2024， 45（8）： 2407-2414.
[6]	Sharma S， Kumar V. An efficient image super resolution model with dense skip connections between complex filter structures in generative adversarial networks ［J］. Expert Systems with Applications， 2021， 186： No.115780.
[7]	宋霄罡，张鹏飞，刘万波，等. 多尺度大核注意力特征融合网络的图像超分辨率重建［J］. 中国图象图形学报， 2025， 30（4）： 1084-1099.
	Song Xiaogang， Zhang Pengfei， Liu Wanbo， et al. Image superresolution reconstruction based on multiscale large-kernel attention feature fusion network ［J］. Journal of Image and Graphics， 2025， 30（4）： 1084-1099.
[8]	陈洪刚，李自强，张永飞，等. 基于迭代交替优化的图像盲超分辨率重建［J］. 电子与信息学报， 2022， 44（10）： 3343-3352.
	Chen Honggang， Li Ziqiang， Zhang Yongfei， et al. Blind image super-resolution reconstruction via iterative and alternative optimization ［J］. Journal of Electronics and Information Technology， 2022， 44（10）： 3343-3352.
[9]	Zhou R， Süsstrunk S. Kernel modeling super-resolution on real low-resolution images ［C］// ICCV 2019. Piscataway： IEEE， 2019： 2433-2443.
[10]	Wang X， Xie L， Dong C， et al. Real-ESRGAN： training real-world blind super-resolution with pure synthetic data ［C］// ICCVW 2021. Piscataway： IEEE， 2021： 1905-1914.
[11]	Deng H， Zhang R， Feng H， et al. Blind super resolution with feature-oriented adaptive degradation adjustment ［J］. Tsinghua Science and Technology， 2026， 31（2）： 932-945.
[12]	Wang L， Wang Y， Dong X， et al. Unsupervised degradation representation learning for blind super-resolution ［C］// CVPR 2021. Piscataway： IEEE， 2021： 10576-10585.
[13]	Zhang Y， Dong L， Yang H， et al. Weakly-supervised contrastive learning-based implicit degradation modeling for blind image super-resolution ［J］. Knowledge-Based Systems， 2022， 249： No.108984.
[14]	Bell-Kligler S， Shocher A， Irani M. Blind super-resolution kernel estimation using an internal-GAN ［C］// NeurIPS 2019. Red Hook： Curran Associates Inc.， 2019： 284-293.
[15]	Li J， Fang F， Mei K， et al. Multi-scale residual network for image super-resolution ［C］// ECCV 2018， LNCS 11212. Cham： Springer， 2018： 527-542.
[16]	Wang X， Yu K， Wu S， et al. ESRGAN： enhanced super-resolution generative adversarial networks ［C］// ECCVW 2018， LNCS 11133. Cham： Springer， 2019： 69-79.
[17]	Agustsson E， Timofte R. NTIRE 2017 challenge on single image super-resolution： dataset and study ［C］// CVPRW 2017. Piscataway： IEEE， 2017： 1122-1131.
[18]	Timofte R， Agustsson E， van Gool L， et al. NTIRE 2017 challenge on single image super-resolution： methods and results［C］// CVPRW 2017. Piscataway： IEEE， 2017： 1110-1121.
[19]	Bevilacqua M， Roumy A， Guillemot C， et al. Low-complexity single-image super-resolution based on nonnegative neighbor embedding ［C］// BMVC 2012. Durham： BMVA Press， 2012： No.135.
[20]	Zeyde R， Elad M， Protter M. On single image scale-up using sparse-representations ［C］// Curves and Surfaces 2010， LNCS 6920. Berlin： Springer， 2010： 711-730.
[21]	Martin D， Fowlkes C， Tal D， et al. A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics ［C］// ICCV 2001 — Volume 2. Piscataway： IEEE， 2001： 416-423.
[22]	Huang J B， Singh A， Ahuja N. Single image super-resolution from transformed self-exemplars ［C］// CVPR 2015. Piscataway： IEEE， 2015： 5197-5206.
[23]	Matsui Y， Ito K， Aramaki Y， et al. Sketch-based manga retrieval using Manga109 dataset ［J］. Multimedia Tools and Applications， 2017， 76（20）： 21811-21838.
[24]	Cai J， Zeng H， Yong H， et al. Toward real-world single image super-resolution： a new benchmark and a new model ［C］// ICCV 2019. Piscataway： IEEE， 2019： 3086-3095.
[25]	Wei P， Xie Z， Lu H， et al. Component divide-and-conquer for real-world image super-resolution ［C］// ECCV 2020， LNCS 12353. Cham： Springer， 2020： 101-117.
[26]	Park S H， Moon Y S， Cho N I. Perception-oriented single image super-resolution using optimal objective estimation ［C］// CVPR 2023. Piscataway： IEEE， 2023： 1725-1735.
[27]	Ma C， Rao Y， Cheng Y， et al. Structure-preserving super resolution with gradient guidance ［C］// CVPR 2020. Piscataway： IEEE， 2020： 7766-7775.
[28]	Yang Z， Xia J， Li S， et al. A dynamic kernel prior model for unsupervised blind image super-resolution ［C］// CVPR 2024. Piscataway： IEEE， 2024： 26046-26056.
[29]	Luo Z， Huang Y， Li S， et al. Learning the degradation distribution for blind image super-resolution［PP/OL］. V2. arXiv （2024-01-15）［2025-06-26］..
[30]	Zhou H， Zhu X， Zhu J， et al. Learning correction filter via degradation-adaptive regression for blind single image super-resolution ［C］// ICCV 2023. Piscataway： IEEE， 2023： 12365-12375.

权重变量	权重值	PSNR/dB	SSIM	LPIPS
λ₁	0.01	28.37	0.815	0.101
	0.05	28.75	0.832	0.094
	0.10	29.95	0.867	0.081
	0.20	29.97	0.867	0.085
	0.50	30.01	0.869	0.093
λ₂	0.1	29.89	0.870	0.085
	0.2	29.93	0.868	0.083
	0.3	29.95	0.867	0.081
	0.5	29.97	0.862	0.080
	1.0	29.99	0.853	0.079
λ₃	0.05	28.75	0.858	0.089
	0.10	29.39	0.862	0.084
	0.20	29.95	0.867	0.081
	0.30	29.93	0.868	0.084
	0.50	29.87	0.870	0.091
λ₄	0.001	28.45	0.861	0.086
	0.005	28.81	0.864	0.083
	0.010	29.95	0.867	0.081
	0.020	29.98	0.867	0.079
	0.050	30.03	0.871	0.076

权重变量	权重值	PSNR/dB	SSIM	LPIPS
λ₁	0.01	28.37	0.815	0.101
	0.05	28.75	0.832	0.094
	0.10	29.95	0.867	0.081
	0.20	29.97	0.867	0.085
	0.50	30.01	0.869	0.093
λ₂	0.1	29.89	0.870	0.085
	0.2	29.93	0.868	0.083
	0.3	29.95	0.867	0.081
	0.5	29.97	0.862	0.080
	1.0	29.99	0.853	0.079
λ₃	0.05	28.75	0.858	0.089
	0.10	29.39	0.862	0.084
	0.20	29.95	0.867	0.081
	0.30	29.93	0.868	0.084
	0.50	29.87	0.870	0.091
λ₄	0.001	28.45	0.861	0.086
	0.005	28.81	0.864	0.083
	0.010	29.95	0.867	0.081
	0.020	29.98	0.867	0.079
	0.050	30.03	0.871	0.076

放大因子	模型	PSNR/dB
放大因子	模型	Set5	Set14	BSD100	Urban100	Manga109	RealSR	DRealSR
2	SROOE	34.26	30.25	29.81	30.11	30.57	27.16	27.29
	SPSR	34.48	30.79	30.24	30.28	31.14	28.31	28.43
	DIPDKP	33.31	30.04	29.51	28.47	30.18	29.36	29.53
	PDM-SRGAN	35.38	25.28	31.06	30.13	31.49	30.45	30.81
	DARSR	35.51	31.89	31.49	30.43	32.48	31.17	31.76
	IDD-SR	36.13	32.22	31.78	31.02	32.39	31.36	31.81
3	SROOE	30.46	26.46	25.89	25.16	26.73	23.25	23.57
	SPSR	30.74	26.89	26.33	25.35	27.24	24.46	24.78
	DIPDKP	29.51	26.21	25.67	24.65	26.34	25.14	25.64
	PDM-SRGAN	31.58	27.49	27.21	26.34	27.78	26.14	26.48
	DARSR	32.02	28.11	27.72	26.58	28.68	26.87	27.21
	IDD-SR	32.47	28.56	28.11	27.23	28.45	27.12	27.43
4	SROOE	28.22	24.23	23.78	23.07	24.51	21.14	21.21
	SPSR	28.44	24.75	24.21	23.25	25.13	22.27	22.32
	DIPDKP	27.27	24.01	23.48	22.42	24.14	22.31	22.38
	PDM-SRGAN	29.34	25.28	25.02	24.05	25.43	23.72	23.84
	DARSR	29.48	25.85	25.46	24.26	26.41	24.65	24.76
	IDD-SR	29.95	26.18	25.73	24.89	26.33	24.73	24.81

放大因子	模型	PSNR/dB
放大因子	模型	Set5	Set14	BSD100	Urban100	Manga109	RealSR	DRealSR
2	SROOE	34.26	30.25	29.81	30.11	30.57	27.16	27.29
	SPSR	34.48	30.79	30.24	30.28	31.14	28.31	28.43
	DIPDKP	33.31	30.04	29.51	28.47	30.18	29.36	29.53
	PDM-SRGAN	35.38	25.28	31.06	30.13	31.49	30.45	30.81
	DARSR	35.51	31.89	31.49	30.43	32.48	31.17	31.76
	IDD-SR	36.13	32.22	31.78	31.02	32.39	31.36	31.81
3	SROOE	30.46	26.46	25.89	25.16	26.73	23.25	23.57
	SPSR	30.74	26.89	26.33	25.35	27.24	24.46	24.78
	DIPDKP	29.51	26.21	25.67	24.65	26.34	25.14	25.64
	PDM-SRGAN	31.58	27.49	27.21	26.34	27.78	26.14	26.48
	DARSR	32.02	28.11	27.72	26.58	28.68	26.87	27.21
	IDD-SR	32.47	28.56	28.11	27.23	28.45	27.12	27.43
4	SROOE	28.22	24.23	23.78	23.07	24.51	21.14	21.21
	SPSR	28.44	24.75	24.21	23.25	25.13	22.27	22.32
	DIPDKP	27.27	24.01	23.48	22.42	24.14	22.31	22.38
	PDM-SRGAN	29.34	25.28	25.02	24.05	25.43	23.72	23.84
	DARSR	29.48	25.85	25.46	24.26	26.41	24.65	24.76
	IDD-SR	29.95	26.18	25.73	24.89	26.33	24.73	24.81

放大因子	模型	Set5	Set14	BSD100	Urban100	Manga109	RealSR	DRealSR
2	SROOE	0.874	0.741	0.693	0.681	0.751	0.664	0.667
	SPSR	0.897	0.764	0.719	0.695	0.766	0.675	0.679
	DIPDKP	0.862	0.715	0.682	0.672	0.726	0.686	0.697
	PDM-SRGAN	0.904	0.776	0.744	0.708	0.787	0.712	0.734
	DARSR	0.912	0.792	0.753	0.724	0.802	0.731	0.761
	IDD-SR	0.933	0.813	0.766	0.737	0.769	0.728	0.753
3	SROOE	0.842	0.706	0.663	0.651	0.689	0.635	0.639
	SPSR	0.867	0.731	0.686	0.657	0.707	0.642	0.644
	DIPDKP	0.824	0.683	0.652	0.643	0.657	0.648	0.656
	PDM-SRGAN	0.875	0.746	0.713	0.676	0.719	0.675	0.689
	DARSR	0.886	0.759	0.721	0.692	0.737	0.695	0.724
	IDD-SR	0.903	0.764	0.728	0.705	0.731	0.692	0.718
4	SROOE	0.811	0.674	0.631	0.617	0.689	0.603	0.609
	SPSR	0.824	0.696	0.655	0.631	0.707	0.609	0.611
	DIPDKP	0.787	0.651	0.618	0.611	0.657	0.613	0.615
	PDM-SRGAN	0.842	0.713	0.667	0.642	0.719	0.635	0.639
	DARSR	0.847	0.726	0.679	0.659	0.737	0.663	0.669
	IDD-SR	0.867	0.737	0.686	0.672	0.731	0.661	0.665

混合退化估计与动态残差‒残差密集块的盲图像超分辨率重建方法

Blind image super-resolution reconstruction method by integrating degradation estimation and dynamic residual-in-residual dense blocks

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 30

相关文章 15

编辑推荐

Metrics

模型	参数量/10⁶	浮点计算量/GFLOPs	PSNR/dB
ESRGAN	15.0	10.2	28.06
SROOE	14.4	9.6	28.22
SPSR	16.5	12.4	28.43
DIP-DKP	22.3	18.5	27.27
PDM-SRGAN	19.7	16.3	29.34
DARSR	20.1	15.7	29.48
IDD-SR	17.2	12.8	29.95

混合退化估计网络	DRRDB	端到端联合优化	PSNR/dB	SSIM	LPIPS
			28.06	0.803	0.109
􀳫			28.86	0.837	0.095
	􀳫		29.05	0.841	0.092
		􀳫	28.45	0.828	0.097
􀳫	􀳫		29.26	0.852	0.083
	􀳫	􀳫	29.08	0.849	0.087
􀳫		􀳫	28.97	0.845	0.091
􀳫	􀳫	􀳫	29.95	0.867	0.081

[1]	崔凯燕, 魏舒娜. 基于小波域稀疏贝叶斯学习的非确定性MRI重建[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1634-1646.
[2]	崔选, 刘波. 基于动态卷积自编码器的无监督人脸属性编辑方法[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1300-1308.
[3]	陈敏, 秦小林, 李绍涵, 杨昊, 李韬弘. 深度学习应用于强对流天气预测的综述[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 980-992.
[4]	牛钰清, 张志勇, 张中亚, 张航. 基于稀疏图注意力的工业物联网边缘计算容错方法[J]. 《计算机应用》唯一官方网站, 2026, 46(10): 3242-3249.
[5]	高兵, 林锦卓, 邹启杰, 姚永强. 基于双通道嵌入融合的零样本知识图谱关系预测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(10): 3117-3123.
[6]	菅银龙, 陈学斌, 景忠瑞, 钟琪, 张镇博. 联邦学习中基于条件生成对抗网络的数据增强方案[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 21-32.
[7]	樊娜, 罗闯, 张泽晖, 张梦瑶, 穆鼎. 基于改进生成对抗网络的车辆轨迹语义隐私保护机制[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 169-180.
[8]	王丽芳, 任文婧, 郭晓东, 张荣国, 胡立华. 用于低剂量CT图像降噪的多路特征生成对抗网络[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 270-279.
[9]	邓伊琳, 余发江. 基于LSTM和可分离自注意力机制的伪随机数生成器[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2893-2901.
[10]	周金, 李玉芝, 张徐, 高硕, 张立, 盛家川. 复杂电磁环境下的调制识别网络[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2672-2682.
[11]	黄颖, 高胜美, 陈广, 刘苏. 结合信噪比引导的双分支结构和直方图均衡的低照度图像增强网络[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 1971-1979.
[12]	李慧, 贾炳志, 王晨曦, 董子宇, 李纪龙, 仲兆满, 陈艳艳. 基于Swin Transformer的生成对抗网络水下图像增强模型[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1439-1446.
[13]	潘理虎, 彭守信, 张睿, 薛之洋, 毛旭珍. 面向运动前景区域的视频异常检测[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1300-1309.
[14]	刘宇, 张鹏程, 张丽媛, 刘祎, 桂志国, 张雪怡, 朱陈一菲, 汤豪威. 基于低秩与全变分联合正则化的低剂量CT图像重建[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 978-987.
[15]	上官宏, 任慧莹, 张雄, 韩兴隆, 桂志国, 王燕玲. 基于双编码器双解码器GAN的低剂量CT降噪模型[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 624-632.

放大因子	模型	Set5	Set14	BSD100	Urban100	Manga109	RealSR	DRealSR
2	SROOE	0.083	0.093	0.104	0.114	0.088	0.133	0.131
	SPSR	0.075	0.086	0.098	0.105	0.081	0.138	0.125
	DIPDKP	0.091	0.102	0.114	0.121	0.093	0.116	0.107
	PDM-SRGAN	0.066	0.077	0.087	0.093	0.072	0.091	0.086
	DARSR	0.057	0.067	0.074	0.083	0.061	0.074	0.069
	IDD-SR	0.061	0.061	0.069	0.075	0.063	0.077	0.071
3	SROOE	0.095	0.104	0.118	0.125	0.098	0.143	0.139
	SPSR	0.086	0.094	0.106	0.117	0.091	0.147	0.133
	DIPDKP	0.096	0.109	0.121	0.126	0.101	0.128	0.122
	PDM-SRGAN	0.077	0.097	0.097	0.102	0.081	0.111	0.103
	DARSR	0.068	0.074	0.083	0.091	0.068	0.085	0.081
	IDD-SR	0.071	0.072	0.079	0.087	0.072	0.081	0.083
4	SROOE	0.103	0.113	0.126	0.134	0.108	0.153	0.151
	SPSR	0.097	0.106	0.119	0.125	0.101	0.148	0.145
	DIPDKP	0.109	0.121	0.134	0.142	0.113	0.145	0.142
	PDM-SRGAN	0.087	0.098	0.107	0.114	0.092	0.124	0.118
	DARSR	0.079	0.089	0.096	0.103	0.081	0.096	0.094
	IDD-SR	0.081	0.083	0.092	0.095	0.084	0.098	0.095

放大因子	模型	Set5	Set14	BSD100	Urban100	Manga109	RealSR	DRealSR
2	SROOE	0.083	0.093	0.104	0.114	0.088	0.133	0.131
	SPSR	0.075	0.086	0.098	0.105	0.081	0.138	0.125
	DIPDKP	0.091	0.102	0.114	0.121	0.093	0.116	0.107
	PDM-SRGAN	0.066	0.077	0.087	0.093	0.072	0.091	0.086
	DARSR	0.057	0.067	0.074	0.083	0.061	0.074	0.069
	IDD-SR	0.061	0.061	0.069	0.075	0.063	0.077	0.071
3	SROOE	0.095	0.104	0.118	0.125	0.098	0.143	0.139
	SPSR	0.086	0.094	0.106	0.117	0.091	0.147	0.133
	DIPDKP	0.096	0.109	0.121	0.126	0.101	0.128	0.122
	PDM-SRGAN	0.077	0.097	0.097	0.102	0.081	0.111	0.103
	DARSR	0.068	0.074	0.083	0.091	0.068	0.085	0.081
	IDD-SR	0.071	0.072	0.079	0.087	0.072	0.081	0.083
4	SROOE	0.103	0.113	0.126	0.134	0.108	0.153	0.151
	SPSR	0.097	0.106	0.119	0.125	0.101	0.148	0.145
	DIPDKP	0.109	0.121	0.134	0.142	0.113	0.145	0.142
	PDM-SRGAN	0.087	0.098	0.107	0.114	0.092	0.124	0.118
	DARSR	0.079	0.089	0.096	0.103	0.081	0.096	0.094
	IDD-SR	0.081	0.083	0.092	0.095	0.084	0.098	0.095