电视镜头清晰度检测论文

参考资料：台湾地区电视购物节目内容分析与消费者反应之初探摘要本研究以 意抽样方式选取42个台湾电视购物频道节目单元,针对其销售策与 服方式进 内容分析.同时又邀请9位具有电视购物经验的消费者 与焦点团体讨 .从节目内容分析与FGD座谈会的质化资 分析初步获得以下的结果:电视购物频道所采用的销售策 与 服方式,确实与产品的品 有关 性.功能性商品偏好采用现场示范,影片示范,和使用情境 展示商品特性;装饰性商品偏好用模特儿走秀 展示商品.功能性商品很强调售后服务 取信消费者,装饰性商品则 强调产品的选材与产制过程 争取消费者的青睐.另一个重要差 是,装饰性商品非常依赖名人推荐 吸引消费者.至於主持人的的评分确实有显著的差 ,大体而言,VIVA台的主持人在 个面向上的评分显著高於其他频道的主持人.东森U台的住持人表现最差. 过,这次的样本并非用机 取样所得,对於各电视购物频道主持人的整体表现,尚无法做出公允的推 .1台湾地区电视购物节目内容分析与消费者反应之初探郭 贞政大广告学系教授电视购物的销售模式在无 在台湾或中国大 都方兴未艾.只要打开电视,就有可能看到这 镜头:美 半 腰身, 时向观众抛 媚眼. 如在穿插 大的局部特写的画面中,一个美 双眼含情,述 著某个牌子的内衣给自己身体带的巨大变化.这些电视购物广告似乎坚信" 怕做 到,就怕想 到",一种今夏最吸引人的内衣广告称,用它可以进 "体形雕塑","想有多大,就有多大","完全随心所欲"; 人眼花缭 .夸大 实,品质差,价格混 ,是一般人对电视购物频道与商品销售节目中广告的印象.有些电视购物是 地做广告经营, 肖经营者就借此将假冒商品邮售给消费者,以取钱财;有些经营者虽然销售的 是伪 产品,但将产品卖出去之后,就认为完成 任务,对后面发生的任何品质问题都置之 ,无售后"三包"服务,侵害 消费者的权益,产生 少消费纠纷.仔细研究, 难发现电视购物隐含以下几个缺点,值得主管机关注意,并加以妥善管 与规范.(1)广告夸大宣传与实际产品 符;(2)虚假承 ,售后无保障;(3)明星诱惑;(4)高科技蒙.电视购物在台湾自1992 开始发展,属於新兴的无店铺销售通 .根据E-ICP销资 库的追踪调查显示,台湾15~59岁的受访者中使用电视购物频道购物比,自1999 的5%曾下 至2002 的.但是到2003 跃升为,至2004上升至(邱高生,2005) 换言之,电视购物在台湾的发展经 一段兴衰起伏.目前国内已有 少电视台推出全天候的购物频道.东森得 购以企业化的经营,为电视购物频道改头换面,创造惊人业绩.东森得 购从1999 底开台时每天只有营业额6万元,但到2001 增加为22亿,因此进入《天下杂志》500大服务业排 榜,目前东森购物在全国有230万个会员, 营收5 成长近60倍.筹备将近2斥资5亿的富邦MOMO购物频道也在2005 1月开台,加入电视购物的战场,打破以往由东森独占的市场局面,对消费者而言未 将有 多元的选择.中信集团投资的ViVa TV购物频道8月10日开台,开启电视购物产业「三足鼎 」的局面,也让东森,富邦及中信三大财团,有一较高下的机会 (陈怡君,2005 8月11日).此外,中华电信MOD也准备抢食电视购物的商机,捷购是中华电信MOD平台负责电视购物的厂商,总经 以恺表示目前电视购物频道只有7台,同一时间内顾客能选择的商品只又7种, 透过MOD(多媒体随选视讯)的平台,消费者可以随著自己方 的时间取选择自己所需要的商品(陈世耀,e天下,2005 3月).根据传 2006 3D消费者研究资 库,进 消费者品牌及购物习惯分析,可将消费者区分为下 三种 型:(1)冲动型之重 消费者 (Impulse & HeavyShoppers), (2) 性型之忠诚消费者 (Rational & Brand-loyal buyers), (3) 漠型消费者2(Indifferent & Isolated Consumers) . 其中第一 型冲动型之重 消费者比其他族群偏好电视购物, 此外他们还有以下的品牌及购物习性:喜欢逛街,常买 使用的东西,花钱 假思 ,容 受销售人员影响, 容 接受名人代言或推荐的商品, 容 因为使用过试用品而购买新产品, 容 因为看到广告而购买产品,喜欢尝试出现在电视上的产品.在传 的另一个相关的市场调查中他们发现一个新 性族群的电视受看偏好除 钟情於新闻资讯和 财频道之外,他们也经常收看电视购物频道.本研究的主要目的为先探讨电视购物频道的内容及,以及其所采用的各种销售与 服手法;然后再探讨这些销售 服策 对於消费者是否产生 同的 服效果.换言之,本研究试图达成以下的目标:1. 探讨电视购物频道以及电视购物节目中,主持人和节目内容所采用的各种销售与服策 和技巧.2. 消费者在做购买决策过程中的主要考 因素是 麼文献探讨电视购物频道与购物节目有线电视购物频道最先创始於美国,方 民众在家购物,当时被称为资讯式广告(informercials)频道,它通常是事先拍摄好的节目影带,长 为30秒至30分钟或1小时.多半在 晨,午夜后或其他 门时段播出( 海容,1997).内容主要在呈现与叙述产品之优点.这 节目於1940 至1960 间曾经风 一时.1960 后一 寂,至10 前再 兴盛,其销售 额至今已经超过10亿美元,前景看好(邓荣坤,1995).另有学者研究美国QVC购物频道(Stephens, 1996)发现购物频道制作成与一般节目 似的节目,有主持人亲 的介绍并搭配Call-in,让观众与主持人互动,主持人和节目本身提供多重 服策 ,很容 打动惯观众 即购买.2002 ,美国电视购物销售额达到73亿美元,占当 全社会商品 售总额的,如果按目前的 增长 9%计算,到2006 ,美国电视购物市场将达到104亿美元.日本2002 电视购物的营业额为60亿美元,韩国为30亿美元.电视购物在我国的台湾也非常发达.世界销售额第一的家庭购物公司是美国的"克维思"公司,其2002 的销售额为亿美元.台湾的电视购物发展台湾的电视购物开始於1992 .起初由於业者 莠 齐,销售之产品种 少,集中在美容,丰胸,增高,与保健药品.销售手法倾向於夸大 实,消费者使用后因 效 佳而引发许多交 纠纷(彭玉贤,1999).2000 政府通过「卫生食品管 法」,对於原本充斥购物频道的药品与保健食品做规范,并且提高进入台湾电视购物频道产业的门槛.此时东森媒体集团成 专属购物频道,朝向专业化购物频道经营.并且与韩国最大的电视购物频道业者技术合作,开发电视购物资讯系统.自此台湾的电视购物频道进入专业与企业化经营之阶段(谢3文中,2004).2005 元旦富邦MOMO台开播,同 8月10日中信集团投资的ViVa TV购物频道开台,台湾电视购物正式进入「三强鼎 」的时代.表一:台湾电视购物频道发展份 发展 况19921. 无线快买进入市场,万 达随后跟进.2. 因缺乏节目,系统台付费给电视购物业者购买节目.1993 竞争者加入,电视购物业者付费给各地系统台.1994 新视线购物频道正式开台.1995 1. 过 饱和,品质 一,市场快速萎缩2. 即购公司以买时段的方式进入TVBS1996 电视购物中型业者经营 善,小型业者苦撑,但仍有些商品大卖,如枫王 ,Jumelle的瘦身碇/霜.1999 1. 8月健康食品法开始实施,业者为避免触法,经营渐趋保守.2. 921大地震前每 约有50亿台币的规模,地震后业绩直 .3. 东森得 购於12月21日开台.2003 东森得 购二台於1月1日开台.2004 东森得 购三台於1月1日开台.2005 1. 东森购物五台与购物热销台於1月1日开播,同日富邦MOMO台开播.2. 8月10日中信ViVa TV购物频道开台,与东森购物,富邦MOMO形成「三强鼎 」之局面.资 源: 圣泷(2004)及本研究整 .国内外近 有 少关於购物频道之研究,学者们发现收看购物频道的观众并非纯粹为购物,有许多是为 寻求资讯和娱 的目的而收看.观众和购物频道主持人的互动愈多,会增加其收看兴趣和频次,因而有可能增加其购买意愿和购买 为(Grant, 1991).经由因素分析后发现电视购物族可分为四种倾向:斤斤计较,品质取向,品牌取向,和喜欢电视购物.学者 秀珠(1999)曾针对电视购物频道观众特性作调查,发现收看电视购物频道观众之男性别比 差 大,但是收入较高, 龄较长,而且以已婚者居多.但是电视购物族与非电视购物族却有显著的性别比 差 ,前者多集中为 性.而且 龄多为30-49岁,具有高中职教育程 ,已婚的家庭主妇,个人收入在3-6万元之间( 德馨,2004).谢文中(2004)则认为电视购物产品多元化,且配合主持人现场即时促销之播出,确实较传统方式吸引消费者.广告诉求与销售策4广告诉求是广告讯息与消费者动机之间的沟通桥梁. 销者先从市场调查研究中得知主要目标市场消费者的 与特性,再投其所好针对他们之需求设定最有效之广告诉求.丘新华(2001)曾经将以往学者探讨过的广告诉求做分 汇整成以下之 型( 表二).表二:广告诉求 型汇整表诉求 型学者产品特点与 益 品牌形象的创意Aaker & Norris(1982) 讯息的/ 性的/认知的(Informational/Rational/Cognitive)形象的/情绪的/感觉的Vaughn(1980) 思考性的(Thinking) 感觉性的(Feeling)Puto & ells(1984) Rossiter& Percy(1987)讯息性的(Informational) 转换性的(Transformational)Snyder & Debono(1985) 硬性销售(Hard-sell Appeal) 软性销售(Soft-sellAppeal)Park(1986), Johar &Sirgy(1991)功 ,实用性的(Utilitarian) 价值转达性的(Value-expressive)Turley & Kelley(1997) 性(Rational) 感性(Emotional)资 源:丘新华(2001)尽管广告诉求只有一个,但是却可以采用 同的广告表现展 方式传达诉求.谢文中(2004)引用学者归纳之常 的十大广告表现方式,并检视其对消费者的影响 .这十个广告表现方式为:直接 明式,问题解决式,戏剧形式,人生片段式,实证比较式,证言式,名人推荐式,意 型态式,恐吓威胁式,悬疑式.销售策电视购物在近几 於国内非常盛 ,即使在景气低迷时,仍然缔造 人咋舌的销售佳绩.在电视购物频道 常 的促销手法,包括限时销售,限 销售,免费赠品等,常被认为是引起消费者购买欲望的原因之一,陈怡如(2004)采用实验法探讨电视购物频道中常 的限时,限 ,赠品等促销手法,是否真的能提高观众的购买意愿,以及消费者认知商品价值的中介效果或其他效果.实验操 的自变 为限时压 (大,小),限 压 (大,小),赠品价值(低,高, 常高)等,共有12组电视购物节目影片.研究结果发现:(1),当观众的商品知觉价值一致时,限时压对购买意愿有显著的影响.(2),限 压 对观众的商品知觉价值与购买意愿均有显著的影响,而且知觉价值为限 压 与购买意愿之中介变 .(3),限 策 比限时策 能影响观众的商品知觉价值与购买意愿.(4),限时压 与赠品价值存在交互作用,直接或间接(透过商品知觉价值)地影响购买意愿.当限时压 大时,赠5品价值与购买意愿存在非线性关系,随著赠品价值的增加,购买意愿呈现先升后的趋势.就 服策 而言,Petty 与Cacioppo(1981)在其经典著作中归纳 同的 服取径,如,动机取径,学习与制约取径,归因取径等,最后又将这许多 服策 和态 改变的总结出「中央 径」与「边缘 径」 大 .本研究将仔细分析电视购物频道中所采用各种销售手法与 服策 . 如,强调名人推荐是属於边缘 径 服,强调商品采用科技专业制作过程是诉诸中央 径的 服.本研究将探讨电视购物节目中的销售手法,是如何结合中央 径和边缘 径的 服策 , 达成其销售目的.如,台湾的电视购物频道造就许多天后级的购物专家或销售明星,这些销售明星除个人魅 之外都有一套销售 辑,把产品的优点和如何满足观众需求都娓娓道 .一开始定是以需求起头,接著谈产品的功能,特色,可以带 的附加价值;然后促销:有 麼折扣,赠品,最后促请观众 电,以免错失 机.在销售明星介绍产品的同时,电视画面上 断在音效,模特儿, 宾等环节上「加 」, 断 激消费者的购买欲.奥美集团策 长陈倩如指出:每个电视购物节目是一场强 的影音催眠秀,仔细拆解后可以发现它每一秒钟的内容与动作都是经过精心设计的,比如何时该 到谁对消费者 话 麼 何时该放桥段 何时该该休息 该让消费者头脑想一想的时候就放音 等等,每个30分中的节目都有一定的程式和节奏(陈世耀,e天下,2005 3月).研究方法本研究采用内容分析和焦点团体讨 法搜集资 .在内容分析部份研究者选择侧 最具有代表性的电视购物节目,然后依据编码 目做归 与分析.受限於研究经费有限,无法采用随机抽样做大规模和大 电视购物节目侧 .本研究是采用意抽样法,先将电视购的频道和商品 目做区分,然后再选出各频道各时段中最具有代表性的节目,与以侧 ,最终纳入分析的电视购物节目单元 目为42个.实际执 过程请 看附 一.内容分析编码表中主要的重点分为 大项:销售策 与 服方式,主持人的风格与表现.前者再区分为产品特卖形式,价格促销,产品呈现与展示,产品资讯介绍,和产品推荐几个细项;后者则专注於主持人的个人风格和专业表现的评分.编码表请 看附 二.焦点团体讨 则是邀请九位曾有电视购物经验的消费者 与.这九位消费者的 龄层涵盖30岁至60岁以上者,其 龄分布20-29岁3位,30-39岁1位,40-49岁5位.其中男性5位, 性4位.他们的居住地区多半为桃园以 的 部县市地区.讨 的主题为个人的电视购物消费经验与对电视购物的态 .FGD讨 大纲请 看附 三.研究结果6内容分析研究者所选取的节目共有42则,其中包括3C 位共五则,健康保养五则,珠宝精品四则,家电五则, 服饰五则,美食三则, 游 则,家具寝具五则,厨具三则,其他 则.由於原本的样本 过少,因此将原本的产品 别重新归 成功能性商品和装饰性商品以及其他.其中功能性商品包括3C 位,家电,家具寝具,厨具等,属於耐久才或是以实用导向的商品.而原属於其他 别的医 商品「好呼吸以色通鼻光 器」和「 极星MT广角超速警示器」也都将重新归 成功能性商品.装饰性商品则包括健康美容,珠宝精品, 服饰等品 ,属於可以修饰外表,让外在形象 好的商品,此外,美食,休闲 游等 属於功能性或装饰性的商品,都一并归到其他.表1: 电视购物节目品 重新组合:功能性 vs. 装饰性功能性商品 3C 位,家电,家具寝具,厨具,其他(警示器和通鼻器),共21则装饰性商品 健康美容,珠宝精品, 服饰,共14则其他 美食,休闲 游,其他,共7则在产品特卖形式层面,大多产品并没有特卖形式(占),在具有特卖形式的商品中,以限 商品的特卖形式最多(占).表2: 商品特卖方式特卖形式 Freq. %无特卖形式 17 限时抢购 3 限 商品 14 全台首卖 1 独家商品 7 42 电视购物节目中使用的促销形式,大部分的节目都会强调所贩卖的产品价格很 宜(占),其次使用的手法是加送赠品(占).7表3: 商品促销形式促销形式 Freq. %商品折扣 8 赠品 18 强调低价 32 强调保固 8 (N=42)电视购物节目中很注重产品的呈现和展示,过半的节目有在节目现场展示产品的功能性(占),也会透过纸卡将产品的功能标示出 (占).此外,透过影片或是模特儿演出展示使用商品的情境也是频繁使用的手法(占).表4: 产品呈现与展示产品呈现与展示 Freq. %现场示范产品功能性 23 影片中示范产品功能性 14 纸卡呈现产品功能性 22 展示产品使用情境 24 现场用比较式手法展示产品优越性15 影片中用比较式手法展示产品优越性11 用比较式纸卡展示产品优越性 12 模特儿走秀展示商品(非情其境)17 (N=42)电视购物是一个虚拟的通 ,消费者无法亲自触碰产品,只能透过萤幕和主持人的介绍了解与产品有关的讯息和资讯,因此在电视购物节目中清楚的 明产品的相关资讯是非常重要的,在本研究中的 据显示,主持人在节目中详细解 产品使用方式占,透过主持人或是影片讲解产品的选材或是产制过程占表5: 产品资讯介绍产品资讯介绍 Freq. %主持人解 产品使用方式 26 影片中展示产品使用方式 6 介绍产品的品牌资讯(包含 史与轶事)16 提出产品的相关证明与得奖 12 讲解产品的选材与产制过程 25 强调售后服务 10 (N=42)在电视购物节目中寻求第三者的 证 是常态,在名人推荐,专家证言,消费者 证三种常 的第三者 证方式都只有少 节目有使用,最多的是引用媒体的相关新闻报导(占).表 6: 产品推荐方式产品推荐 Freq. %名人推荐(包括代言人) 6 专家证言 2 消费者 证 5 引用媒体新闻报导 15 播放资讯性广告 8 (N=42)几乎每个电视购物中的主持人都会以一些特殊的方式引导消费者需求(占),或是以自身经验或亲友经验对消费者进 服(),大多 的主持人会在节目中凸显商品热卖,要消费者赶快 动(占).表7: 主持人风格主持人风格 Freq. %引导消费者产生需求 39 为消费者争取 益 8 现身 法或亲友经验 18 彰显自己的办法 3 人气炒作(凸显商品热卖)23 节目中凸显主持人地位 3 (N=42)9电视购物节目中偶尔会有厂商代表一同出席,但大多 的节目仍由主持人主导(占69%),少部分的厂商代表会抢过主持人的风采,主导节目进 ().表8: 主导节目进 者主导节目者 Freq. %主持人主导 29 厂商主导 2 双方共同主导 11 42 研究者认为电视购物节目对於 同的品 有可能采用 同的销售策 ,因此先用交叉分析 检视功能性商品与装饰性商品,在贩售时所偏重采取的销售策 是否有差 .在产品的呈现与展示方面,我们发现 同品 的商品在「现场展示功能」,「影片展示功能」,「使用情境」和「模特儿走秀」的采用上都有显著差 .表9: 产品展示方式—功能性 vs. 装饰性 vs. 其他 商品显著 备注现场示范产品功能性.002功能商品(), 装饰商品(), 其他 (0%)影片中示范产品功能性.020功能商品(), 装饰商品(), 其他 (0%)我们发现功能性商品比较偏重现场展示商品功能,换言之,在有现场呈现功能的商品当中,功能性商品占 . 用影片展示商品功能方面,功能性商品也占 .纸卡呈现产品功能性 .303展示产品使用情境.000功能商品(), 装饰商品(), 其他 ()现场用比较式手法展示产品优越性 .097影片中用比较式手法展示产品优越性 .202用比较式纸卡展示产品优越性产品呈现与展示.592模特儿走秀展示商品.002功能商品(), 装饰商品(), 其他 ()10除此之外,我们也发现功能性商品经常会 用「使用情境」作为一种 服策,占 ,反之装饰性商品 用使用情境的节目只占 .其中的原因可能是功能性商品起藉由多种使用情境的展示,增加消费者对於商品使用的可能性,如摄影机, 位相机等,或是像寝具,家具等属於体验性的商品, 用模特儿穿著睡衣在床上摆出舒服的姿势,创造一种体验的情境,让消费者相信自己买 这种商品也能够拥有相同的体验.在产品的呈现与展示当中,装饰性商品较多使用「模特儿走秀」 展示商品,占,功能性商品 用模特儿走秀的只占.可能是装饰性的商品, 如服饰,精品包包等商品,并没有太多使用情境可以展现,因此大多采用「模特儿」方式展示商品.表10: 产品资讯介绍方式—功能性 vs. 装饰性 vs. 其他 商品显著 备注主持人解 产品使用方式 .231影片中展示产品解 方式 .615介绍产品的品牌资讯 .133提出产品的相关证明与得奖 .122产品在强调有售后服务的商品当中,功能性商品占 90%,装饰性商品则无.有可能装饰性商品较无所谓保固或是维修的必要,而功能性商品,如3C产品或是家电都需要保固等售后服务.因此功能性产品比装饰性产品 重视售后服务的 明与强调.有趣的是,在提供品牌资讯方面如果只比较功能性和装饰性商品 项,我们发现显著差 ,换言之,我们发现功能性商品大多都没有提供品牌资讯,但是装饰性商品有一半以上会提供品牌资讯.在产品推荐方面, 用名人推荐的商品,装饰性商品占 ,功能性商品只占.可以推测装饰性商品较无功能上的 基可以展现,因此 需要名人的推荐,以加深可信 .讲解产品的选材与产制过程 .001功能商品(), 装饰商品(), 其他 ()资讯介绍强调售后服务 .012功能商品(), 装饰商品(0%),其他 ()11表11: 名人推荐商品—功能性 vs. 装饰性 vs. 其他 商品名人推荐 Total无 有产品 别 功能商品 装饰商品其他商品 注: 卡方值 , 显著

可以从电影的分镜头中的角度，光源的关系来分析电影的人物之间的关系发展，还有故事情节等在整部电影中的快慢节奏，还有结合电影当时的故事发生背景去分析电影镜头的处理等等，顺便也可以去网上搜搜看看别人的评论嘛·不要一味自己闭门造车，那样的话关注点会变的很狭隘的。

Meta-SR: A Magnification-Arbitrary Network for Super-Resolution Xuecai Hu, Haoyuan Mu, Xiangyu Zhang, Zilei Wang, Tieniu Tan, Jian Sun [ pdf ]

Blind Super-Resolution With Iterative Kernel Correction Jinjin Gu, Hannan Lu, Wangmeng Zuo, Chao Dong [ pdf ]

Camera Lens Super-Resolution Chang Chen, Zhiwei Xiong, Xinmei Tian, Zheng-Jun Zha, Feng Wu [ pdf ], [ supp ]

Deep Plug-And-Play Super-Resolution for Arbitrary Blur Kernels Kai Zhang, Wangmeng Zuo, Lei Zhang [ pdf ]

Towards Real Scene Super-Resolution With Raw Images Xiangyu Xu, Yongrui Ma, Wenxiu Sun [ pdf ]

ODE-Inspired Network Design for Single Image Super-Resolution Xiangyu He, Zitao Mo, Peisong Wang, Yang Liu, Mingyuan Yang, Jian Cheng [ pdf ], [ supp ]

Feedback Network for Image Super-Resolution Zhen Li, Jinglei Yang, Zheng Liu, Xiaomin Yang, Gwanggil Jeon, Wei Wu [ pdf ], [ supp ]

Recurrent Back-Projection Network for Video Super-Resolution Muhammad Haris, Gregory Shakhnarovich, Norimichi Ukita [ pdf ], [ supp ]

Image Super-Resolution by Neural Texture Transfer Zhifei Zhang, Zhaowen Wang, Zhe Lin, Hairong Qi [ pdf ]

Natural and Realistic Single Image Super-Resolution With Explicit Natural Manifold Discrimination Jae Woong Soh, Gu Yong Park, Junho Jo, Nam Ik Cho [ pdf ], [ supp ]

3D Appearance Super-Resolution With Deep Learning Yawei Li, Vagia Tsiminaki, Radu Timofte, Marc Pollefeys, Luc Van Gool [ pdf ], [ supp ]

Fast Spatio-Temporal Residual Network for Video Super-Resolution Sheng Li, Fengxiang He, Bo Du, Lefei Zhang, Yonghao Xu, Dacheng Tao [ pdf ], [ supp ]

Residual Networks for Light Field Image Super-Resolution Shuo Zhang, Youfang Lin, Hao Sheng [ pdf ]

Second-Order Attention Network for Single Image Super-Resolution Tao Dai, Jianrui Cai, Yongbing Zhang, Shu-Tao Xia, Lei Zhang [ pdf ], [ pdf ]

Hyperspectral Image Super-Resolution With Optimized RGB Guidance Ying Fu, Tao Zhang, Yinqiang Zheng, Debing Zhang, Hua Huang [ pdf ]

Learning Parallax Attention for Stereo Image Super-Resolution Longguang Wang, Yingqian Wang, Zhengfa Liang, Zaiping Lin, Jungang Yang, Wei An, Yulan Guo [ pdf ], [ supp ]

Face Super-resolution Guided by Facial Component Heatmaps Xin Yu, Basura Fernando, Bernard Ghanem, Fatih Porikli, Richard Hartley [ pdf ]

Image Super-Resolution Using Very Deep Residual Channel Attention Networks Yulun Zhang, Kunpeng Li, Kai Li, Lichen Wang, Bineng Zhong, Yun Fu [ pdf ]

Super-Resolution and Sparse View CT Reconstruction Guangming Zang, Mohamed Aly, Ramzi Idoughi, Peter Wonka, Wolfgang Heidrich [ pdf ]

Fast, Accurate, and Lightweight Super-Resolution with Cascading Residual Network Namhyuk Ahn, Byungkon Kang, Kyung-Ah Sohn [ pdf ]

SRFeat: Single Image Super-Resolution with Feature Discrimination Seong-Jin Park, Hyeongseok Son, Sunghyun Cho, Ki-Sang Hong, Seungyong Lee [ pdf ]

To learn image super-resolution, use a GAN to learn how to do image degradation first Adrian Bulat, Jing Yang, Georgios Tzimiropoulos [ pdf ]

Multi-scale Residual Network for Image Super-Resolution Juncheng Li, Faming Fang, Kangfu Mei, Guixu Zhang [ pdf ]

Super-FAN: Integrated Facial Landmark Localization and Super-Resolution of Real-World Low Resolution Faces in Arbitrary Poses With GANs Adrian Bulat, Georgios Tzimiropoulos [ pdf ] [ Supp ]

Fight Ill-Posedness With Ill-Posedness: Single-Shot Variational Depth Super-Resolution From Shading Bjoern Haefner, Yvain Quéau, Thomas Möllenhoff, Daniel Cremers [ pdf ] [ Supp ]

Recovering Realistic Texture in Image Super-Resolution by Deep Spatial Feature Transform Xintao Wang, Ke Yu, Chao Dong, Chen Change Loy [ pdf ]

Fast and Accurate Single Image Super-Resolution via Information Distillation Network Zheng Hui, Xiumei Wang, Xinbo Gao [ pdf ]

Image Super-Resolution via Dual-State Recurrent Networks Wei Han, Shiyu Chang, Ding Liu, Mo Yu, Michael Witbrock, Thomas S. Huang [ pdf ]

Deep Back-Projection Networks for Super-Resolution Muhammad Haris, Gregory Shakhnarovich, Norimichi Ukita [ pdf ] [ Supp ]

Residual Dense Network for Image Super-Resolution Yulun Zhang, Yapeng Tian, Yu Kong, Bineng Zhong, Yun Fu [ pdf ]

FSRNet: End-to-End Learning Face Super-Resolution With Facial Priors Yu Chen, Ying Tai, Xiaoming Liu, Chunhua Shen, Jian Yang [ pdf ]

Unsupervised Sparse Dirichlet-Net for Hyperspectral Image Super-Resolution Ying Qu, Hairong Qi, Chiman Kwan [ pdf ]

“Zero-Shot” Super-Resolution Using Deep Internal Learning Assaf Shocher, Nadav Cohen, Michal Irani [ pdf ]

Deep Video Super-Resolution Network Using Dynamic Upsampling Filters Without Explicit Motion Compensation Younghyun Jo, Seoung Wug Oh, Jaeyeon Kang, Seon Joo Kim [ pdf ] [ Supp ]

Learning a Single Convolutional Super-Resolution Network for Multiple Degradations Kai Zhang, Wangmeng Zuo, Lei Zhang [ pdf ]

Feature Super-Resolution: Make Machine See More Clearly Weimin Tan, Bo Yan, Bahetiyaer Bare [ pdf ]

Frame-Recurrent Video Super-Resolution Mehdi S. M. Sajjadi, Raviteja Vemulapalli, Matthew Brown [ pdf ]

Temporal Shape Super-Resolution by Intra-Frame Motion Encoding Using High-Fps Structured Light Yuki Shiba, Satoshi Ono, Ryo Furukawa, Shinsaku Hiura, Hiroshi Kawasaki [ pdf ] [ Supp ] [ video ]

Robust Video Super-Resolution With Learned Temporal Dynamics Ding Liu, Zhaowen Wang, Yuchen Fan, Xianming Liu, Zhangyang Wang, Shiyu Chang, Thomas Huang [ pdf ]

Detail-Revealing Deep Video Super-Resolution Xin Tao, Hongyun Gao, Renjie Liao, Jue Wang, Jiaya Jia [ pdf ] [ video ]

EnhanceNet: Single Image Super-Resolution Through Automated Texture Synthesis Mehdi S. M. Sajjadi, Bernhard Scholkopf, Michael Hirsch [ pdf ] [ Supp ][ video ]

Joint Estimation of Camera Pose, Depth, Deblurring, and Super-Resolution From a Blurred Image Sequence Haesol Park, Kyoung Mu Lee [ pdf ] [ Supp ]

Image Super-Resolution Using Dense Skip Connections Tong Tong, Gen Li, Xiejie Liu, Qinquan Gao [ pdf ]

Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution Wei-Sheng Lai, Jia-Bin Huang, Narendra Ahuja, Ming-Hsuan Yang [ pdf ]

Image Super-Resolution via Deep Recursive Residual Network Ying Tai, Jian Yang, Xiaoming Liu [ pdf ]

Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network Christian Ledig, Lucas Theis, Ferenc Huszar, Jose Caballero, Andrew Cunningham, Alejandro Acosta, Andrew Aitken, Alykhan Tejani, Johannes Totz, Zehan Wang, Wenzhe Shi [ pdf ] [ poster ] [ video ]

Real-Time Video Super-Resolution With Spatio-Temporal Networks and Motion Compensation Jose Caballero, Christian Ledig, Andrew Aitken, Alejandro Acosta, Johannes Totz, Zehan Wang, Wenzhe Shi [ pdf ] [ poster ]

Hyperspectral Image Super-Resolution via Non-Local Sparse Tensor Factorization Renwei Dian, Leyuan Fang, Shutao Li [ pdf ] [ poster ]

Simultaneous Super-Resolution and Cross-Modality Synthesis of 3D Medical Images Using Weakly-Supervised Joint Convolutional Sparse Coding Yawen Huang, Ling Shao, Alejandro F. Frangi [ pdf ] [ poster ]

Reference Guided Deep Super-Resolution via Manifold Localized External Compensation Wenhan Yang, Sifeng Xia, Jiaying Liu, and Zongming Guo Accepted by IEEE Trans. on Circuit System for Video Technology (TCSVT), June 2018. [ project ]

Joint-Feature Guided Depth Map Super-Resolution With Face Priors Shuai Yang, Jiaying Liu, Yuming Fang, and Zongming Guo IEEE Trans. on Cybernetics (TCYB), , , , Jan. 2018. [ project ]

Deep Edge Guided Recurrent Residual Learning for Image Super-Resolution Wenhan Yang, Jiashi Feng, Jianchao Yang, Fang Zhao, Jiaying Liu, Zongming Guo and Shuicheng Yan IEEE Trans. on Image Processing (TIP), , , , Dec. 2017. [ project ]

Retrieval Compensated Group Structured Sparsity for Image Super-Resolution Jiaying Liu, Wenhan Yang, Xinfeng Zhang, and Zongming Guo IEEE Trans. on Multimedia (TMM), , , , Feb. 2017. [ project ]

ECCV2016 Accelerating the Super-Resolution Convolutional Neural Network Chao Dong, Chen Change Loy, Xiaoou Tang [ project ]

Perceptual Losses for Real-Time Style Transfer and Super-Resolution Justin Johnson, Alexandre Alahi, Li Fei-Fei [ pdf ]

End-to-End Image Super-Resolution via Deep and Shallow Convolutional Networks Yifan Wang, Lijun Wang, Hongyu Wang, Peihua Li [ pdf ]

Deeply-Recursive Convolutional Network for Image Super-Resolution Jiwon Kim, Jung Kwon Lee, Kyoung Mu Lee [ pdf ]

Accurate Image Super-Resolution Using Very Deep Convolutional Networks Jiwon Kim, Jung Kwon Lee, Kyoung Mu Lee [ pdf ]

Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network Wenzhe Shi, Jose Caballero, Ferenc Huszar, Johannes Totz, Andrew P. Aitken, Rob Bishop, Daniel Rueckert, Zehan Wang [ pdf ]

Image Super-Resolution Using Deep Convolutional Networks Chao Dong, Chen Change Loy, Kaiming He, Xiaoou Tang IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI) SRCNN [ project ] [ pdf ] [ supplementary material ]

Neighborhood Regression for Edge-Preserving Image Super-Resolution Yanghao Li, Jiaying Liu, Wenhan Yang and Zongming Guo IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP), Brisbane, Australia, Apr. 2015. [ project ]

Learning a Deep Convolutional Network for Image Super-Resolution Chao Dong, Chen Change Loy, Kaiming He, Xiaoou Tang ECCV 2014 SRCNN [ project ] [ pdf ]

Super-Resolution From a Single Image Daniel Glasner, Shai Bagon, Michal Irani ICCV 2009 [ project ] [ pdf ]

Video Super-Resolution Based on Spatial-Temporal Recurrent Neural Networks Wenhan Yang, Jiashi Feng, Guosen Xie, Jiaying Liu, Zongming Guo and Shuicheng Yan Computer Vision and Image Understanding (CVIU), , , March. 2018. [ project ]

Video Super-Resolution With Convolutional Neural Networks Armin Kappeler ; Seunghwan Yoo ; Qiqin Dai ; Aggelos K. Katsaggelos IEEE Transactions on Computational Imaging [ pdf ]

High Quality Remote Sensing Image Super-Resolution Using Deep Memory Connected Network Wenjia Xu; Guangluan XU; Yang Wang; Xian Sun; Daoyu Lin; Yirong WU IGARSS 2018 - 2018 IEEE International Geoscience and Remote SensingSymposium [ pdf ]