本文介绍了ORBIT-2，一个可扩展的超高分辨率气候下尺度化基础模型，旨在克服稀疏观测和粗分辨率气候模型的局限性。通过引入Residual Slim ViT和TILES算法，显著提高了处理效率与准确性。实验结果表明，ORBIT-2在7公里分辨率下的R^2评分达到0.98至0.99，展现了其在气候预测中的潜力。

本研究提出了一种自监督学习技术，解决了在6米分辨率森林制图中标签数据不足的问题。该方法在亚马逊雨林案例中优于完全监督方法，显示了在超高分辨率森林制图中的潜力。

历史皇家宫殿与谷歌艺术与文化合作，展示近10,000件涵盖500年历史的皇家服饰。观众可通过超高分辨率摄影和3D扫描技术在线探索服装细节与故事，感受皇家时尚魅力。

本研究通过SuperGS方法解决了超高分辨率新视图合成中的低分辨率输入问题。SuperGS采用两阶段训练框架，结合多分辨率特征高斯溅射和梯度引导选择性分裂，提升了合成质量和效率。实验结果显示，SuperGS在真实数据集上表现优于现有方法。

该论文提出了一种全局-局部渐进式生成网络（GLSGN），用于超高分辨率图像恢复，结合局部和全局路径以提升恢复效果。同时，推出了一个新数据集用于去反射和去雨纹，展示了GLSGN在多种图像恢复任务中的优越性能。

本文介绍了基于扩散模型的创新研究，旨在提升图像生成的质量和分辨率。提出的LayerDiff模型实现了高质量的多层图像合成，而Diff-Text框架则能够生成逼真的场景文本。此外，研究探讨了超高分辨率图像生成的可能性，并展示了文本作为跨模态接口的应用，增强了文本与图像生成的匹配度。

本文提出了一种新颖的超高分辨率图像生成方法，结合扩散模型和多分辨率网络，有效解决物体重复和结构不合理的问题。该方法无需训练，能够快速生成高分辨率图像，实验结果显示其在速度和性能上优于现有技术，适用于图像增强、修复和去噪等任务。

本文提出了一种新颖的自级联扩散模型，通过频率截断和低分辨率模型的知识，快速适应高分辨率图像生成。该模型训练速度提高了5倍，仅需少量调优参数，能够有效处理高分辨率图像，保持结构一致性和生成质量，为超高分辨率图像合成提供了新思路。

本文介绍了多种创新的扩散模型方法，包括Patch Diffusion框架、DistriFusion高效图像生成、DiffFit快速适应新领域和自级联扩散模型。这些方法通过优化训练过程、提高生成速度和图像质量，推动了超高分辨率图像合成的研究进展。

本文介绍了一种新型的图像生成方法，通过扩展卷积感知域和引入无监督引导，实现超高分辨率图像生成，解决了物体重复和结构不合理的问题。研究还提出了基于傅里叶层的深度网络架构，提升了图像生成的灵活性和质量。