苏黎世大学与苏黎世联邦理工学院的团队提出循环神经网络CURRENT，用同一套网络完成主动脉4D flow MRI的空间、时间与时空超分辨。在合成数据上，它的空间超分辨方向误差为0.072±0.037，低于4DFlowNet的0.097±0.053；时间超分辨方向误差为0.062±0.031，与T4DFlowNet的0.064±0.031接近。时空超分辨得到的相对压降估计比单独空间或时间超分辨更接近高分辨参考，模型只用合成数据训练，在体数据上表现出可用的泛化迹象。
超分辨成像流式细胞术（SR-IFC）把结构光照明显微镜搬进连续流动的微流道：每个细胞只取三帧相移图像，沿流动方向由物理调制提升分辨率，横向缺失的细节由仅用本样本数据训练的网络补出。在100纳米荧光珠上，SR-IFC沿流动与横向分别达到约118纳米和110纳米分辨率，而同一批珠子的宽场成像为222至227纳米；在2048×320像素读出下，理论吞吐上限约为每秒720个细胞。
串行电子显微镜是脑连接组成像的主力，但立方毫米级脑组织的拍摄要花数月甚至数年。ZoomSEM改用真实采集的低分辨率与高分辨率扫描图像对训练超分辨模型，从快速低分辨扫描中恢复4倍、8倍直至16倍更高分辨率的图像，并保留连接组分析所需的细微神经元结构，等效加速最高达30倍。多种生物样本的数据集实验显示，该模型在真实低分辨率采集条件下仍能稳定泛化。
医学X光超分辨长期沿用为自然图像设计的VGG感知损失，重建出的结构容易偏离解剖形态。一种名为USELoss的域感知损失把VGG特征换成轻量U-Net编码器的多尺度特征，并加入Sobel边缘约束，在ESRGAN与HAT两类架构上统一使用同一套损失权重。在PadChest胸片测试集上，ESRGAN的PSNR由22.21 dB升至34.04 dB，SSIM由0.5545升至0.9160，边缘误差约降46%。
血管CT超分辨重建出的血管常出现断裂、多余或错误连接，而图像质量指标看不出这些结构错误。VascuSR把血管结构从CT灰度重建中拆出来，先在3D血管标签空间用条件整流流修正血管，再通过轻量控制器把修正后的结构注入扩散解码器，并在每轮重建后重新提取结构形成反馈。在重新标注的MSD Task08与HVM上，它的Dice和clDice优于插值和学习型基线，类别平均连通分量数在两个数据集上均下降超过20%，MSD上平均中心线距离下降超过10%，图像质量与SR骨干相当。
针对砾岩储层微CT成像中大视场与高分辨率难以兼得的矛盾，Hy-MambaIR把窗口自注意力与Mamba状态空间模型串成“先局部后全局”的重建网络，从低分辨率大视场切片恢复高分辨率孔隙与砾石结构。在配对多分辨率微CT数据上，其峰值信噪比达33.36 dB，比HAT高1.31 dB，并以少6.6倍的训练迭代达到30 dB；在855³体素代表性单元上，三向绝对渗透率平均相对误差为18.56%，经砾质砂岩监督微调后降至3.59%。
该工作提出一种双分支超分辨率深度学习框架，同时放大消费级VL53L9CX SPAD飞行时间传感器采集的低分辨率深度与强度图像，通过两阶段PixelShuffle重建头与简化传感器固件控制激活内存，将模型导出ONNX并INT8量化后生成C代码部署到仅640KB SRAM、2MB Flash的STM32H563ZI裸机MCU上，实现完全在片上的超分推理。
已读完全部报道