La superresolución de imagen/vídeo es un campo de investigación de gran interés en los últimos tiempos. Sus aplicaciones incluyen HDTV, codificación de imágenes, redimensionamiento de imágenes, manipulación de imágenes, teledetección, reconocimiento facial, astronomía y vigilancia. El objetivo es aumentar la resolución de la imagen/vídeo mediante el aumento de la resolución (upsampling), el desdibujamiento (deblurring), la eliminación de ruido (denoising), el aprendizaje profundo (deep learning), etc. En este libro se estudia el desarrollo de diversas teorías de superresolución de imágenes y vídeos, centrándose en la superresolución basada en redes convolucionales profundas (DeepCNSR). Se han analizado exhaustivamente más de 30 redes neuronales convolucionales (CNN) de última generación sobre tres conjuntos de datos clásicos y tres recientemente introducidos para evaluar la superresolución de una sola imagen, con sus méritos y deméritos. Se ha introducido una taxonomía con nueve categorías para las redes DeepCNSR, incluidos los diseños lineal, residual, multirama, recursivo, progresivo, basado en la atención y adversarial. Se han estudiado comparativamente la complejidad de la red, la huella de memoria, la entrada y salida del modelo, los detalles de aprendizaje, el tipo de pérdidas de la red y las diferencias arquitectónicas importantes (por ejemplo, profundidad, conexiones de salto, filtros) de cada modelo.