1、2019.3.13，三星電子QLED 8K電視。
三星全新QLED TV采用了特別開發的量子點8K處理器(Quantum Processor 8K)，通過8K人工智能增強技術(8K AI Upscaling)提升畫質和音效雙重表現，為消費者帶來具備沉浸感的逼真視覺效果和震撼的聽覺體驗，開啟了超高清8K時代。
高達7860*4320的屏幕分辨率、3300萬像素，顯示屏采用了全陣列直入式背光源，和優化影像的HDR10+技術。8K HDR4000技術使得每幀畫面的連接性流暢性倍增，對畫質本身也是一次全面革新。4000尼特峰值亮度進一步加強黑色展現力。
三星通過8K人工智能增強技術(8K AI Upscaling)提升畫質和音效表現。三星的人工智能機器學習，是通過植入量子點8K處理器(Quantum Processor 8K)，為電視提供大腦，創建超高分辨率圖像所需的程序圖像公式。可快速分析圖像數據，並將其與存儲在公式庫中的數百萬個圖像公式進行比較。在選擇最佳圖像公式后，它可以在高達8K級別分辨率下智能重建圖像紋理，邊緣清晰度和細節水平。因此，大多數內容都可以擁有難以置信的清晰度。
三星QLED 8K電視國內首發 98英寸版售價近百萬 https://baijiahao.baidu.com/s?id=1627939123538574564&wfr=spider&for=pc
2、2017 Twitter在超分辨率技術上取得新進展，能還原打碼圖片
Twitter 及哥本哈根的研究人員在獲得ICLR 2017 oral paper的《Amortised MAP Inference for Image Super-Resolution》中表示，在超分辨率處理過程中，直接對低像素圖像進行最大后驗概率估值是非常重要的，就像如果想要確保樣圖圖像先驗，就需要先構建一個模型一樣地重要。想要進行攤銷最大后驗概率推斷，從而直接計算出最大后驗概率估值，本文在這一步引入的新方法是使用卷積神經網絡。
而為了確保網絡輸入低分辨率圖像后，能始終如一地輸出相應的高分辨率圖像，研究人員創造性地引入了新型神經網絡架構，在這個網絡里，有效解決超分辨率的方法是，向仿射子空間進行投影。使用新型架構的結果顯示，攤銷最大后驗概率推理，能減少到兩個分布之間的最小化交叉熵，這個結果與生成模型經過訓練后得到的結果相類似。
（1）生成式對抗網絡 (GAN)
（2）去噪指導超分辨率，從去噪過程中反向推導去噪的梯度估值，從而訓練網絡
（3）基線法，該方法使用最大似然訓練圖像先驗
AffGan-Twitter在超分辨率技術上取得新進展，能還原打碼圖片｜ICLR 2017 | 雷鋒網 https://www.leiphone.com/news/201704/UOlptCxSKNIAQ5EC.html
搜索結果：最大空間分辨率算法 - 雲+社區 - 騰訊雲 https://cloud.tencent.com/developer/information/%E6%9C%80%E5%A4%A7%E7%A9%BA%E9%97%B4%E5%88%86%E8%BE%A8%E7%8E%87%E7%AE%97%E6%B3%95
3、2016年 Google 超分辨率技術 RAISR：模糊圖片瞬間變清晰，運算速度快十倍
RAISR: Rapid and Accurate Image Super Resolution，速度提升大約十至一百倍，可以避免產生混疊效應 （aliasing artifacts）。節省帶寬75%。
對於 RAISR，谷歌別辟蹊徑得采用機器學習，用一對低分辨率、高分辨率圖片訓練該程序，以找出能選擇性應用於低分辨圖片中每個像素的過濾器，這樣能生成媲美原始圖片的細節。目前有兩種訓練RAISR的方法：
-
第一種是“直接”方式，過濾器在成對高、低分辨率圖片中直接學習。
-
第二種方法需要先對低分辨率圖片應用低功耗的的升采樣，然后在升采樣圖片和高分辨率圖片的組合中學習過濾器。
-
“直接”方式處理起來更快，但第二種方法照顧到了非整數范圍的因素，並且更好地利用硬件性能。
無論是哪種方式，RAISR 的過濾器都是根據圖像的邊緣特征訓練的：亮度和色彩梯度，平實和紋理區域等等。
這又受到方向（direction，邊緣角度），強度（strength，更銳利的邊緣強度更高）和黏性 （coherence，一項量化邊緣方向性的指標）的影響。
以下是一組 RAISR 過濾器，從一萬對高、低分辨率圖片中學習得到 （低分辨率圖片經過升采樣）。該訓練過程耗費約一小時。
注：3 倍超分辨率學習，獲得的 11x11 過濾器集合。過濾器可以從多種超分辨率因素中學習獲得，包括部分超分辨率。注意當圖中邊緣角度變化時，過濾器角度也跟着旋轉。相似的，當強度提高時，過濾器的銳利度也跟着提高；黏性提高時，過濾器的非均相性（anisotropy）也提高。
從左至右，學習得到的過濾器與處理后的邊緣方向有選擇性的呼應。舉例來說，最底一行中間的過濾器最適合強水平邊緣（90 度梯度角），並具有高粘性（直線的而非彎曲的邊緣）。如果這個水平邊緣是低對比度的，那么如同圖中最上一行，另一個過濾器就被選擇。
實際使用中，RAISR 會在已經學習到的過濾器列表中選擇最合適的過濾器， 應用於低分辨率圖片的每一個像素周圍。當這些過濾器被應用於更低畫質的圖像時，它們會重建出相當於原始分辨率的細節，這大幅優於線性、雙三（bicubic）、蘭索斯 （Lancos）解析方式。
谷歌超分辨率技術 RAISR ：模糊圖片瞬變高清，速度提升數十倍 | 雷鋒網 https://www.leiphone.com/news/201611/6wejLGlSGF22AuL1.html
Google超分辨率論文RAISR實現小結 - 羽凌寒 - CSDN博客 https://blog.csdn.net/u011630458/article/details/69524582
4、2017年10月 TSR（Tencent Super Resolution）騰訊QQ空間
騰訊QQ空間聯合優圖實驗室，移動端並行加速框架RapidNet。在圖片size只有原來25%的情況下將圖片還原到與原圖的同等效果，在空間的應用可以節省用戶75%的流量。
采用深度神經網絡來識別圖片內容並進行圖片內容的細節重構，能夠通過機器學習來識別圖片的內容與紋理，從而能夠將圖片進行高清重建, 達到業界（NTIRE2017）領先水平。
訓練並實現了一個10層的深度卷積神經網絡，對比目前學術界研究的神經網絡，本網絡能夠很好的解決CheckerBoard Artifacts和對於部分圖片處理文理不清晰問題。通過神經網絡能夠抽象出圖片的整體特殊，識別圖片的紋理與內容，根據圖片的紋理與內容進行圖片的高清細節重建，從而達到遠超過原圖的視覺效果。
通過控制卷積神經網絡的層數與每層的CHANEL數，在簡化整體計算量的情況下，能夠很好的解決圖片過於平滑，紋理不清晰的問題。通過精簡化設計，TSR能夠保證模型在只有4。6KB的基礎上有不錯的處理效果。
神經網絡結構圖如下：
TSR：基於深度學習的超分辨率技術及應用 - 雲+社區 - 騰訊雲 https://cloud.tencent.com/developer/article/1006272
騰訊QQ空間超分辨率技術TSR - ostartech - 博客園 https://www.cnblogs.com/wxl845235800/p/7847361.html
5、2017年11月 華為推出新型HiSR：移動端的超分辨率算法
HiSR（Hisilicon Super-Resolution）
在同樣的標准下，處理效果相比 Google 的 RAISR 超分算法有明顯的提升，此外 HISR 通過 Kirin 970 芯片的 HiAI 移動人工智能平台加速，首次實現了移動端的深度網絡超分辨率算法，不僅達到了實時處理的速度，還保證了圖片的效果，能效比提升了 50%。
七層深度的卷積神經網絡,該模型能夠有效地提升圖片的質量，解決了深度網絡研究存在的很多問題，比如說圖片超分辨率時出現的塊效應和細節丟失、邊緣紋理不清晰的問題。該網絡能夠在 Kirin 970 的 HiAI 移動人工智能平台實現實時運算速度，相對普通的 CPU 計算，速度提升了 25 倍，即使相對於能夠並行處理的 GPU，速度也提升了 6 倍。
大多數超分辨率的深度網絡來說，例如 SRCNN 和 TSR 等超分算法，都是通過采用 Bicubic 算法先將圖片直接放大到需要的尺寸，然后再進行卷積操作，也就是說這類算法的操作都是為了改善 Bicubic 算法的缺陷，計算量比較大，運行的時間較長，而且效果往往也會局限於 Bicubic 算法的限制，得不到很大的提升。
HiSR 超分辨率深度學習網絡采用先進的反卷積的結構，反卷積（Deconvolution）的概念第一次出現是 Zeiler 在 2010 年發表的論文 Deconvolutional networks 中。隨着反卷積在神經網絡可視化上的成功應用，其被越來越多的工作所采納比如：超分辨率、場景分割、生成模型等。
HiSR 采用了一層反卷積實現圖片的放大和還原，而且反卷積同樣通過學習實現參數的更新，可以保留豐富的細節和紋理，實現了超分辨率圖片的還原。
針對當前主流的網絡壓縮傳輸應用，提供兩種可選的網絡用於圖片的增強（1x 網絡）和放大（3x 網絡）。
1x 網絡：
HiSR 采用獨立訓練的 1x 網絡對圖片進行了處理，通過該網絡的處理，圖像的細節不斷的增強，各種塊效應也消失了，圖片的鮮艷程度也提高了，給用戶帶來了強烈的視覺體驗。網絡結構如下：
3x 網絡
HiSR 采用獨立訓練的 3x 網絡對圖片進行了處理，該網絡只需要在 1x 的網絡上進行很小的改動，加入了反卷積層，還原高分辨率圖像的特征，圖像的細節通過卷積層的不斷學習和增強，可以有效的提升高分辨率圖像的質量。HiSR 的 3x 網絡結構如下：
業界 | 華為推出新型HiSR：移動端的超分辨率算法 - 雲+社區 - 騰訊雲 https://cloud.tencent.com/developer/article/1118612