这是2018 CVPR的一篇论文，感觉网上介绍的很多了，这里我就很简单的写写吧。
论文解决的问题是如何使用无监督的方法去做SR，从而提高SR在未知条件下的泛化性能。利用一张图像自身的内在关联性来做自身的SR，出发点是一个图像自身的交叉熵比图像间的交叉熵要小，所以自己对自己的学习要更容易，预测效果要更好。这里具体可以参考论文，整体流程图如下所示:
这里具体的流程是，先将LR图像做下采样，然后学习下采样的LR图像到LR的映射，测试时直接输入LR图像输出HR图像，因为学习自己到自己的映射是一件简单的事情，所以这里的网络设计不是很复杂。在这个过程中需要对数据进行数据增强，包括旋转操作，以及设置更多的LR下采样倍数，从而实现SR的鲁棒性，对输入图片进行不同程度的SR。论文的方法训练加测试的速度都是非常快的，某些情况比EDSR的运行速度要快。
同时论文还发现，在加入噪声时，对许多降质情况都有改善作用，因为噪声并不是具有重复性的像图像内部的纹理特征那样。同时估计更好的模糊核也有利于提高效果。这些发现后面都有人发了相关的论文，具体部分详见论文和其他博客。