ESRGAN
基于生成对抗网络的图像超分辨率模型，能够将低分辨率图像放大并增强细节，广泛应用于老旧照片修复与图像增强场景
时间轴 (近 90 天)
ESRGAN 引入生成对抗网络，通过对抗训练让放大结果在感知上更锐利
更现实的合规路径是用公开的超分网络架构（如 ESRGAN 衍生结构）配合自行训练的权重，在接口层面与 DLSS 兼容，而非逐字节复原英伟达模型
常用的超分辨率模型包括ESRGAN和Real-ESRGAN
图像超分辨率技术大致分为基于卷积神经网络的判别式方法和基于扩散模型或大语言模型的生成式方法两类
生成超高分辨率图像的常用解决思路包括分块生成拼接（tiling）和先生成低分辨率基底再通过超分辨率模型（如ESRGAN、Ultimate SD Upscale）放大
基于深度学习的超分辨率模型如ESRGAN、Real-ESRGAN、SwinIR能学习从低分辨率到高分辨率的映射关系，优于双三次插值
ESRGAN 引入了 Residual-in-Residual Dense Block（RRDB）作为生成器骨干网络，去掉了批归一化层以避免伪影，并使用相对判别器提升训练稳定性
图像超分辨率技术从 2014 年的 SRCNN 开始，经历 EDSR、RCAN，再到基于 GAN 的 SRGAN 和 ESRGAN 的发展
Real-ESRGAN 是由 Xintao Wang 等人提出的图像与视频超分辨率模型，是 ESRGAN 的进阶版本
Real-ESRGAN采用带有U-Net判别器的GAN架构，能在放大图像的同时智能补充细节纹理
全部知识事实 (10)
生成超高分辨率图像的常用解决思路包括分块生成拼接（tiling）和先生成低分辨率基底再通过超分辨率模型（如ESRGAN、Ultimate SD Upscale）放大
60%待验证ESRGAN 引入生成对抗网络，通过对抗训练让放大结果在感知上更锐利
50%待验证更现实的合规路径是用公开的超分网络架构（如 ESRGAN 衍生结构）配合自行训练的权重，在接口层面与 DLSS 兼容，而非逐字节复原英伟达模型
50%待验证常用的超分辨率模型包括ESRGAN和Real-ESRGAN
50%待验证图像超分辨率技术大致分为基于卷积神经网络的判别式方法和基于扩散模型或大语言模型的生成式方法两类
50%待验证基于深度学习的超分辨率模型如ESRGAN、Real-ESRGAN、SwinIR能学习从低分辨率到高分辨率的映射关系，优于双三次插值
50%待验证图像超分辨率技术从 2014 年的 SRCNN 开始，经历 EDSR、RCAN，再到基于 GAN 的 SRGAN 和 ESRGAN 的发展
50%待验证ESRGAN 引入了 Residual-in-Residual Dense Block（RRDB）作为生成器骨干网络，去掉了批归一化层以避免伪影，并使用相对判别器提升训练稳定性
50%待验证Real-ESRGAN 是由 Xintao Wang 等人提出的图像与视频超分辨率模型，是 ESRGAN 的进阶版本
50%待验证Real-ESRGAN采用带有U-Net判别器的GAN架构，能在放大图像的同时智能补充细节纹理
50%