La super-risoluzione di immagini e video è un'area di ricerca di grande interesse negli ultimi tempi. Le loro applicazioni includono l'HDTV, la codifica delle immagini, il ridimensionamento delle immagini, la manipolazione delle immagini, il telerilevamento, il riconoscimento dei volti, l'astronomia e la sorveglianza. L'obiettivo è quello di aumentare la risoluzione di immagini/video attraverso upsampling, deblurring, denoising, deep learning ecc. Lo sviluppo di varie teorie di super-risoluzione di immagini/video è stato studiato in questo libro, che si concentra sulla super-risoluzione basata su reti convoluzionali profonde (DeepCNSR). Più di 30 reti neurali convoluzionali (CNN) allo stato dell'arte per la super-risoluzione su tre set di dati classici e tre di recente introduzione per valutare la super-risoluzione di singole immagini sono stati analizzati in modo esaustivo con i loro meriti e demeriti. È stata introdotta una tassonomia di nove categorie per le reti DeepCNSR, tra cui progetti lineari, residuali, multiramo, ricorsivi, progressivi, basati sull'attenzione e adversariali. La complessità della rete, l'ingombro della memoria, l'input e l'output del modello, i dettagli dell'apprendimento, il tipo di perdite della rete e le importanti differenze architettoniche (ad esempio, profondità, connessioni saltate, filtri) di ciascun modello sono stati studiati in modo comparativo.