1.一種計算機實現的方法，包括：
2.如權利要求1所述的計算機實現的方法，其中所述多個中間機器學習模型中的每個中間機器學習模型包括具有跳過連接的編碼器-解碼器神經網絡，其中所述給定圖像以不同尺度進行處理，其中給定尺度的輸出被上采樣并與連續尺度的輸入連結。
3.如權利要求2所述的計算機實現的方法，其中每個中間機器學習模型進一步包括：(1)一個或多個空間到深度s2d層，其中每個s2d層通過獲取輸入、降低所述輸入的空間分辨率同時增加通道數目以保存信息來實現低分辨率處理；以及(2)與所述一個或多個s2d層相對應的一個或多個深度到空間d2s層。
4.如權利要求1所述的計算機實現的方法，其中所述多個中間機器學習模型中的每個中間機器學習模型與相應濾波器數目和相應空間到深度參數相關聯。
5.如權利要求1所述的計算機實現的方法，進一步包括：
6.如權利要求5所述的計算機實現的方法，其中所述將所述多個經過訓練的中間機器學習模型應用于所述給定真實圖像包括以多種分辨率應用每個經過訓練的中間機器學習模型。
7.如權利要求5所述的計算機實現的方法，其中所述圖像變換模型的所述訓練包括基于所述精選數據集對所述圖像變換模型進行微調。
8.如權利要求7所述的計算機實現的方法，其中所述圖像變換模型的所述微調包括量化感知訓練qat。
9.如權利要求1所述的計算機實現的方法，進一步包括：
10.如權利要求9所述的計算機實現的方法，其中所述多個劣化因子包括運動模糊，并且所述生成進一步包括：
11.如權利要求9所述的計算機實現的方法，其中所述多個劣化因子包括鏡頭模糊，并且所述生成進一步包括：
12.如權利要求9所述的計算機實現的方法，其中所述多個劣化因子包括加性噪聲、信號相關噪聲或有色噪聲中的一者或多者。
13.如權利要求9所述的計算機實現的方法，其中所述多個劣化因子包括一個或多個圖像壓縮偽影。
14.如權利要求9所述的計算機實現的方法，其中所述多個劣化因子包括由飽和像素引起的一個或多個偽影，并且所述生成進一步包括：
15.如權利要求1所述的計算機實現的方法，其中所述多個中間機器學習模型是教師網絡，其中所述圖像變換模型是學生網絡，并且其中所述圖像變換模型基于知識提煉而從所述多個中間機器學習模型中學習。
16.一種計算機實現的方法，包括：
17.如權利要求16所述的計算機實現的方法，其中所述多個中間機器學習模型中的每個中間機器學習模型包括具有跳過連接的編碼器-解碼器神經網絡，其中所述給定圖像以不同尺度進行處理，其中給定尺度的輸出被上采樣并與連續尺度的輸入連結。
18.如權利要求16所述的計算機實現的方法，其中所述圖像變換模型包括具有跳過連接的編碼器-解碼器神經網絡，并且所述圖像變換模型進一步包括：(1)一個或多個空間到深度s2d層，其中每個s2d層通過獲取輸入、降低所述輸入的空間分辨率同時增加通道數目以保存信息來實現低分辨率處理；以及(2)與所述一個或多個s2d層相對應的一個或多個深度到空間d2s層。
19.如權利要求16所述的計算機實現的方法，其中所述多個劣化因子包括運動模糊、鏡頭模糊、圖像噪聲、圖像壓縮偽影或由飽和像素引起的偽影中的一者或多者。
20.一種計算裝置，包括：