ICCV（IEEE International Conference on Computer Vision，国际计算机视觉会议）是计算机视觉领域最顶级的国际会议之一，每两年举办一次。ICCV 2025，将于2025年10月19日至23日在美国夏威夷檀香山举行。今年大会共收到了 11239 份有效投稿，程序委员会推荐录用 2699 篇论文，最终录用率为24%。

现将超分辨率方向上接收的论文汇总如下，遗漏之处还请大家斧正。

图像超分

扩散模型/流模型

1. ZFusion: Efficient Deep Compositional Zero-shot Learning for Blind Image Super-Resolution with Generative Diffusion Prior

• Paper: [待补充]

• Code: [待补充]

• Keywords: Generative Diffusion Prior, Zero-shot Learning, Blind Super-Resolution

• Features: 基于生成扩散先验的零样本盲超分辨率方法

• Team: Alireza Esmaeilzehi · Hossein Zaredar · Yapeng Tian · Laleh Seyyed-Kalantari (York University)

2. Diffusion Transformer meets Multi-level Wavelet Spectrum for Single Image Super-Resolution

• Paper: [待补充]

• Code: [待补充]

• Keywords: Diffusion Transformer, Wavelet Spectrum, Image Super-Resolution

• Features: 结合扩散 Transformer 和多尺度小波谱的单图像超分辨率

• Team: Peng Du · Hui Li · Han Xu等

3. Fast Image Super-Resolution via Consistency Rectified Flow

• Paper: [待补充]

• Code: [待补充]

• Keywords: 基于一致性矫正流的快速图像超分辨率，改进的一致性学习策略，快速-慢速调度策略，HR正则化

• Features: 单步高质量超分辨率

• Team: Xiaowei Hu, Renjing Pei, Pheng-Ann Heng等

4. Consistency Trajectory Matching for One-Step Generative Super-Resolution

• Paper: https://arxiv.org/abs/2503.20349

• Code: https://github.com/LabShuHangGU/CTMSR

• Keywords: 一致性轨迹匹配，一步生成式超分辨率，无需蒸馏

• Team: Gu Shuhang团队（电子科技大学）

5. PatchScaler: An Efficient Patch-Independent Diffusion Model for Image Super-Resolution

• Paper: https://arxiv.org/abs/2405.17158

• Code: https://github.com/yongliuy/PatchScaler

• Keywords: Patch-Independent, Diffusion Model, Image Super-Resolution

• Features: 基于补丁的独立扩散模型，通过补丁自适应分组采样和纹理提示机制加速推理

• Team: National Key Laboratory of Human-Machine Hybrid Augmented Intelligence, Xi'an Jiaotong University, ByteDance Inc, Nanjing University of Science and Technology

6. Exploiting Diffusion Prior for Task-driven Image Restoration

• Paper: https://arxiv.org/abs/2507.22459

• Code: https://github.com/JaehaKim97/EDTR

• Keywords: 扩散先验，任务驱动图像恢复，复杂退化处理

• Features: 像素误差预恢复，少量去噪步骤，任务相关细节恢复

• Team: Seoul Nataional University

7. DiT4SR: Taming Diffusion Transformer for Real-World Image Super-Resolution

• Paper: https://arxiv.org/abs/2503.23580

• Blog: ICCV 2025 | DiT4SR: 融合扩散 Transformer 的真实图像超分辨率新范式

• Keywords: Diffusion Transformer, Real-World, Image Super-Resolution

• Features: 将扩散 Transformer 应用于真实世界图像超分辨率，通过双向注意力机制和跨流卷积模块提升性能

• Team: 南开，商汤等

8. Adversarial Purification via Super-Resolution and Diffusion

• Paper: [待补充]

• Code: [待补充]

• Keywords: 对抗纯化，超分辨率，扩散模型

• Team: Mincheol Park · Cheonjun Park · Seungseop Lim · Mijin Koo · Hyunwuk Lee · Won Woo Ro · Suhyun Kim

9. Timestep-Aware Diffusion Model for Extreme Image Rescaling

• Paper: https://arxiv.org/abs/2408.09151

• Code: https://github.com/wwangcece/TADM

• Keywords: Timestep-Aware, Diffusion Model, Extreme Image Rescaling

• Features: 在预训练自编码器的潜在空间中操作，利用预训练文本到图像扩散模型的自然图像先验，时间步感知扩散模型，首次将时间感知扩散模型与潜空间重采样机制结合，突破 16× 甚至 32× 极端倍率下的重建瓶颈

• Team: 武汉大学 - Ce Wang, Zhenyu Hu, Wanjie Sun, Zhenzhong Chen

任意尺度超分

1. IM-LUT: Interpolation Mixing Look-Up Tables for Image Super-Resolution

• Paper: https://arxiv.org/abs/2507.09923

• Code: https://github.com/SejinPark-CV/IM-LUT

• Keywords: 查找表(LUT)，任意尺度超分辨率，插值混合

• Features: IM-Net网络，CPU轻量级推理，局部图像模式

• Team: Sejin Park, Sangmin Lee, Kyong Hwan Jin, Seung-Won Jung

2. Generalized and Efficient 2D Gaussian Splatting for Arbitrary-scale Super-Resolution

• Paper: https://arxiv.org/abs/2501.06838

• Code: https://github.com/ChrisDud0257/GSASR

• Keywords: 任意尺度超分辨率(ASR)，2D Gaussian Splatting技术

• Features: 前馈方式预测图像条件高斯分布，高效的可微分2D GPU/CUDA基于尺度的光栅化

• Team: Zhang Lei 团队 （香港理工大学，OPPO研究院）

轻量级模型

1. Emulating Self-attention with Convolution for Efficient Image Super-Resolution

• Paper: https://arxiv.org/abs/2503.06671

• Code: https://github.com/dslisleedh/ESC

• Blog: ICCV 2025 | 首次引入Flash Attention，轻量SR窗口扩至32×32还不卡！

• Keywords: 卷积注意力(ConvAttn)，Flash Attention

• Features: 用共享大核卷积和动态生成卷积核模拟自注意力，注意力窗口扩展至32×32

• Team: University of Seoul, Korea - Machine Intelligence Laboratory - Dongheon Lee, Seokju Yun, Youngmin Ro

2. LightBSR: Towards Lightweight Blind Super-Resolution via Discriminative Implicit Degradation Representation Learning

• Paper: https://arxiv.org/abs/2506.22710

• Code: https://github.com/MJ-NCEPU/LightBSR

• Keywords: Lightweight, Blind Super-Resolution, Implicit Degradation Representation

• Team: Jiang Yuan, Ji Ma, Bo Wang, Guanzhou Ke, Weiming Hu (中国科学院自动化研究所、华北电力大学、北京交通大学等)

3. Outlier-Aware Post-Training Quantization for Image Super-Resolution

• Paper: [待补充]

• Code: [待补充]

• Keywords: 后训练量化，异常值感知

• Features: 离群值感知的超分辨率后训练量化方法

• Team: Hailing Wang · Jianglin Lu · Yitian Zhang · Yun Fu

盲超分 / 真实世界 / 参考

1. Fine-structure Preserved Real-world Image Super-resolution via Transfer VAE Training

• Paper: https://arxiv.org/abs/2507.20291

• Code: https://github.com/Joyies/TVT

• Keywords: 保持细结构的真实世界图像超分辨率，迁移VAE训练(TVT)

• Features: 将8倍下采样VAE转换为4倍，紧凑VAE和计算高效UNet

• Team: Zhang Lei 团队 （香港理工大学，OPPO研究院）

2. Not All Degradations Are Equal: A Targeted Feature Denoising Framework for Generalizable Image Super-Resolution

• Paper: https://arxiv.org/abs/2509.14841

• Code: [待补充]

• Keywords: 通用图像超分辨率，目标特征去噪框架

• Team: 东京大学，香港理工大学，吉林大学

3. Perceive, Understand and Restore: Real-World Image Super-Resolution with Autoregressive Multimodal Generative Models

• Paper: https://arxiv.org/abs/2503.11073

• Code: https://github.com/nonwhy/PURE

• Keywords: 自回归多模态生成模型，真实世界图像超分辨率

• Features: 首个自适应预训练自回归多模态模型的Real-ISR框架，基于Lumina-mGPT的指令微调

• Team: Zhang Lei 团队 （香港理工大学，OPPO研究院）

4. Reference-based Super-Resolution via Image-based Retrieval-Augmented Generation Diffusion

• Paper: [待补充]

• Code: [待补充]

• Keywords: 基于参考的超分辨率，检索增强生成扩散

• Team: Byeonghun Lee · Hyunmin Cho · Honggyu Choi · Soo Min Kang · ILJUN AHN · Kyong Hwan Jin

视频超分

1. DiffVSR: Revealing an Effective Recipe for Taming Robust Video Super-Resolution Against Complex Degradations

• Paper: https://arxiv.org/abs/2501.10110

• Code: https://xh9998.github.io/DiffVSR-project/

• Keywords: 扩散模型视频超分辨率，渐进学习策略(PLS)

• Features: 交织潜在转换(ILT)，复杂退化处理，时间一致性保持

• Team: 上海交通大学，上海人工智能实验室，中国科学技术大学，中国科学院深圳先进技术研究院

2. VSRM: A Robust Mamba-Based Framework for Video Super-Resolution

• Paper: https://arxiv.org/abs/2506.22762

• Code: [待补充]

• Keywords: Mamba状态空间模型，视频超分辨率

• Features: 空间到时间Mamba块，时间到空间Mamba块，可变形交叉Mamba对齐模块

• Team: 韩国科学技术院，KAIST

3. Blind Video Super-Resolution based on Implicit Kernels

• Paper: https://arxiv.org/abs/2503.07856

• Code: https://github.com/QZ1-boy/BVSR-IK

• Keywords: 盲视频超分辨率，隐式核，多尺度核字典

• Features: 隐式神经表示参数化，循环Transformer，时空变化退化处理

• Team: 电子科技大学，布里斯托大学

4. MedVSR: Medical Video Super-Resolution with Cross State-Space Propagation

• Paper: [待补充]

• Code: [待补充]

• Keywords: 医学视频超分辨率，跨状态空间传播

• Features: 基于跨状态空间传播的医学视频超分辨率

• Team: Xinyu Liu · Guolei Sun · Cheng Wang · Yixuan Yuan · Ender Konukoglu

5. LDIP: Long Distance Information Propagation for Video Super-Resolution

• Paper: [待补充]

• Code: [待补充]

• Keywords: 长距离信息传播，视频超分辨率

• Features: 灵活融合模块，可选的高分辨率参考图像信息同化，支持任意缩放因子

• Team: Michael Bernasconi · Abdelaziz Djelouah · Yang Zhang · Markus Gross · Christopher Schroers

6. STAR: Spatial-Temporal Augmentation with Text-to-Video Models for Real-World Video Super-Resolution

• Paper: https://arxiv.org/abs/2501.02976

• Code: https://github.com/NJU-PCALab/STAR

• Blog: STAR: 利用时空注意力机制和动态频率损失的视频超分辨率增强框架

• Keywords: 文本到视频模型，真实世界视频超分辨率

• Features: 首个将文本到视频(T2V)扩散先验集成到真实世界VSR，局部信息增强模块(LIEM)

• Team: 南京大学PCALab - Rui Xie, Yinhong Liu, Penghao Zhou, Chen Zhao, Jun Zhou, Kai Zhang, Zhenyu Zhang, Jian Yang, Zhenheng Yang, Ying Tai

其他场景

3D超分

1. Bridging Diffusion Models and 3D Representations: A 3D Consistent Super-Resolution Framework

• Paper: https://arxiv.org/abs/2508.04090

• Code: [待补充]

• Keywords: 3D一致性超分辨率框架，3D高斯点绘

• Features: 利用现成的2D扩散超分辨率模型，无需额外微调

• Team: 马里兰大学帕克分校，卡内基梅隆大学，伊利诺伊大学厄巴纳-香槟分校

2. Lightweight Gradient-Aware Upscaling of 3D Gaussian Splatting Images

• Paper: https://arxiv.org/abs/2503.14171

• Code: https://keksboter.github.io/upscale3dgs/

• Keywords: 3D Gaussian Splatting(3DGS)，图像上采样

• Features: 针对轻量级GPU设计，利用高斯函数的解析图像梯度进行基于梯度的双三次样条插值

• Team: Technical University of Munich (TUM) - Simon Niedermayr, Christoph Neuhauser, Rüdiger Westermann

3. DuCos: Duality Constrained Depth Super-Resolution via Foundation Model

• Paper: https://arxiv.org/abs/2503.04171

• Code: https://github.com/yanzq95/DuCos

• Keywords: 深度超分辨率(DSR)，拉格朗日对偶理论

• Features: 基础模型作为提示，相关融合(CF)和梯度调节(GR)提示设计

• Team: 新加坡国立大学，南京理工大学

光场超分

1. Rethinking the Upsampling Process in Light Field Super-Resolution with Spatial-Epipolar Implicit Image Function

• Paper: [待补充]

• Code: [待补充]

• Keywords: 光场超分辨率，空间-极线隐式图像函数

• Features: 基于空间极线隐式图像函数的光场超分辨率上采样过程重新思考

• Team: Ruixuan Cong · Yu Wang · Mingyuan Zhao · Da Yang · Rongshan Chen · Hao Sheng

遥感/高光谱超分

1. Hipandas: Hyperspectral Image Joint Denoising and Super-Resolution by Image Fusion with the Panchromatic Image

• Paper: https://arxiv.org/abs/2412.04201

• Code: [待补充]

• Keywords: 高光谱图像联合去噪和超分辨率，全色图像融合

• Team: Shuang Xu · Zixiang Zhao · Haowen Bai · Chang Yu · Jiangjun Peng · Xiangyong Cao · Deyu Meng

2. NeurOp-Diff: Continuous Remote Sensing Image Super-Resolution via Neural Operator Diffusion

• Paper: [待补充]

• Code: [待补充]

• Keywords: 神经算子扩散，连续遥感图像超分辨率

• Features: 基于神经算子扩散的遥感图像连续超分辨率

• Team: Zihao Xu · Yuzhi Tang · Bowen Xu · Qingquan Li

文本/场景超分

1. StyleSRN: Scene Text Image Super-Resolution with Text Style Embedding

• Paper: [待补充]

• Code: https://github.com/Yuanssr/StyleSRN

• Blog: https://cise.hunnu.edu.cn/info/1165/6936.htm

• Keywords: 场景文本超分辨率，文本风格嵌入

• Features: 风格增强模块(SEB)，风格内容融合模块(SCFB)，基于Gram矩阵的文本风格损失

• Team: 湖南师范大学信息科学与工程学院，王润民副教授课题组 - 袁晟榕，王润民副教授

偏振图像超分

1. Benchmarking Burst Super-Resolution for Polarization Images: Noise Dataset and Analysis

• Paper: https://vclab.kaist.ac.kr/iccv2025p1/polar-denoising-main.pdf

• Code: https://github.com/KAIST-VCLAB/polarns

• Project: https://vclab.kaist.ac.kr/iccv2025p1/index.html

• Keywords: 偏振图像，突发超分辨率，噪声数据集

• Features: 基准测试，偏振图像处理

• Team: KAIST

自适应光学超分

1. Super Resolved Imaging with Adaptive Optics

• Paper: https://arxiv.org/abs/2508.04648

• Code: https://github.com/swansonr/AOSR

• Keywords: 自适应光学，超分辨成像

• Team: 多伦多大学等

图像恢复/生成

以下论文标题不含"超分辨率"或"super-resolution"，但与图像恢复相关，可以作为参考和借鉴：

1. Decouple to Reconstruct: High Quality UHD Restoration via Active Feature Disentanglement and Reversible Fusion

• Paper: https://arxiv.org/abs/2503.12764

• Code: [待补充]

• Keywords: 超高清图像恢复，主动特征解耦和可逆融合

• Features: 控制微分解耦VAE(CD²-VAE)，分层对比解耦学习(Hi-CDL)，正交门控投影模块(OrthoGate)

• Team: 中国科学技术大学，上海人工智能实验室

2. Reverse Convolution and Its Applications to Image Restoration

• Paper: https://arxiv.org/abs/2508.09824

• Code: https://github.com/cszn/ConverseNet

• Blog: https://zhuanlan.zhihu.com/p/1939375440885166557

• Keywords: 深度可分离反向卷积算子(Converse2D)，正则化最小二乘优化

• Features: 首个反向卷积算子，支持任意通道维度

• Team: 南京大学，香港理工大学，OPPO研究院 - Xuhong Huang, Shiqi Liu, Kai Zhang, Ying Tai, Jian Yang, Hui Zeng, Lei Zhang

3. Turbo2K: Towards Ultra-Efficient and High-Quality 2K Video Synthesis

• Paper: https://arxiv.org/abs/2504.14470

• Code: https://jingjingrenabc.github.io/turbo2k/

• Keywords: 高效高质量2K视频合成

• Team: 香港科技大学（广州）、华为诺亚方舟实验室、南华大学、马克斯·普朗克信息学研究所、香港科技大学

4. <mark style="box-sizing: border-box; background: rgb(255, 255, 0); color: rgb(0, 0, 0);">UniRes: Universal Image Restoration for Complex Degradations</mark>

• Paper: https://arxiv.org/abs/2506.05599

• Code: [待补充]

• Keywords: 基于扩散的通用图像恢复框架，处理复杂退化（多种退化类型的任意混合），端到端方式，结合多个专业模型在扩散采样步骤中

• Features: 灵活性强，可调整保真度-质量权衡

• Team: 谷歌，约翰霍普金斯大学

5. EAMamba: Efficient All-Around Vision State Space Model for Image Restoration

• Paper: https://arxiv.org/abs/2506.22246

• Code: https://github.com/daidaijr/EAMamba

• Blog: ICCV2025 | EAMamba：面向图像恢复的高效全能视觉状态空间模型

• Keywords: 高效全能视觉状态空间模型，多头选择性扫描模块(MHSSM)

• Features: 全方位扫描机制，31-89% FLOPs减少

• Team: Yu-Cheng Lin, Yu-Syuan Xu, Hao-Wei Chen, Hsien-Kai Kuo, Chun-Yi Lee (台湾省国立清华大学、台湾大学、联发科)

6. Devil is in the Uniformity: Exploring Diverse Learners within Transformer for Image Restoration

• Paper: https://arxiv.org/abs/2503.20174

• Code: https://github.com/joshyZhou/HINT

• Keywords: 图像恢复Transformer，多样性学习器

• Features: 探索 Transformer 内部多样化学习器的图像恢复方法

• Team: 南开，南京理工大学

7. MP-HSIR: A Multi-Prompt Framework for Universal Hyperspectral Image Restoration

• Paper: https://arxiv.org/abs/2503.09131

• Code: https://github.com/ZhehuiWu/MP-HSIR

• Keywords: 多提示框架，通用高光谱图像恢复

• Features: 集成光谱、文本和视觉提示，提示引导空间光谱变换器

• Team: 武汉大学，江西师范大学，东京大学等

总结

从本届接收的论文来看，ICCV 2025 超分辨率领域呈现以下几个明显趋势：

1. 扩散模型持续繁荣：基于扩散模型的方法仍然是主流，包括UniRes、ZFusion、PatchScaler等，这些方法在处理复杂退化和保持图像质量方面表现出色。

2. 任意尺度超分受到关注：IM-LUT、Generalized 2D Gaussian Splatting等方法在任意尺度超分辨率方面取得突破，支持连续倍率放大。

3. 效率优化成为重点：轻量级模型（Emulating Self-attention with Convolution、EAMamba、LightBSR）和高效推理方法受到关注，旨在解决实际应用中的部署问题。

4. 多模态和基础模型融合：越来越多的方法结合多模态信息和基础模型，如DuCos利用基础模型作为提示，STAR集成文本到视频模型。

5. 新型架构探索：Mamba状态空间模型（VSRM、EAMamba）、反向卷积（Reverse Convolution）等新架构在超分辨率领域展现出潜力。

6. 应用场景多样化：除了传统图像超分外，视频超分、3D超分、光场超分、遥感/高光谱超分、文本/场景超分等多种应用场景受到关注。

7. 真实世界应用导向：针对真实世界退化、医学影像、遥感图像等实际应用场景的研究显著增加。

总体而言，ICCV 2025 超分辨率研究在保持高质量重建的同时，更加注重实用性、效率和多样化应用，为该领域的进一步发展奠定了坚实基础。

参考资料

1. ICCV 2025 Official Website

2. ICCV 2025 Accepted Papers