超分辨率

新人如附件

【论文阅读】HAT-Activating More Pixels in Image Super-Resolution Transformer0、paper with code 排名参考 1、论文 2、源码基于 Transformer 的方法在图像超分辨率等低级视觉任务中表现出令人印象深刻的性能。然而，我们发现这些网络只能通过归因分析利用有限空间范围的输入信息。这意味着 Transformer 的潜力在现有网络中仍未得到充分利用。为了激活更多的输入像素进行重建，我们提出了一种新颖的混合注意力转换器 (HAT)。它结合了通道注意力和自注意力方案，从而利用它们的互补优势。此外，为了更好地聚合跨窗口信息，我们引入了重叠交叉注意模块来增强相邻窗口特征之

新人如附件

【论文阅读】ELAN-Efficient Long-Range Attention Network for Image Super-resolution1、论文 2、源码最近，基于变压器的方法通过利用自注意力 (SA) 进行特征提取，在各种视觉任务中展示了令人印象深刻的结果，包括图像超分辨率 (SR)。然而，在大多数现有的基于变压器的模型中，SA 的计算非常昂贵，而一些采用的操作对于 SR 任务可能是多余的。这限制了 SA 计算的范围，从而限制了 SR 性能。在这项工作中，我们提出了一种用于图像 SR 的高效远程注意力网络 (ELAN)。具体来说，我们首先采用移位卷积（shift-conv）有效地提取图像局部结构信息，同时保持与 1x1 卷积相同的复杂度

新人如附件

【论文阅读】SMSR-Exploring Sparsity in Image Super-Resolution for Efficient Inference1、论文 2、源码当前基于 CNN 的超分辨率 (SR) 方法平等地处理所有位置，计算资源在空间中统一分配。然而，由于低分辨率（LR）图像中缺失的细节主要存在于边缘和纹理区域，因此这些平坦区域需要较少的计算资源。因此，现有的基于 CNN 的方法涉及平坦区域的冗余计算，这增加了它们的计算成本并限制了它们在移动设备上的应用。在本文中，我们探索图像 SR 中的稀疏性以提高 SR 网络的推理效率。具体来说，我们开发了一个稀疏掩码 SR (SMSR) 网络来学习稀疏掩码以修剪冗余计算。在我们的 SMSR 中，空间掩

新人如附件

【论文阅读】Image Super-Resolution with Non-Local Sparse Attention1、论文 2、源码【CVPR2021】Image super-resolution with non-local sparse attention

新人如附件

【论文阅读】Multi-Attention Based Ultra Lightweight Image Super-Resolution1、源码 2、论文基于多注意力的超轻量级图像超分辨率轻量级图像超分辨率 (SR) 网络对于现实世界的应用具有极其重要的意义。有几种基于深度学习的 SR 方法具有显着的性能，但它们的内存和计算成本是实际使用中的障碍。为了解决这个问题，我们提出了一个多注意力特征融合超分辨率网络（MAFFSRN）。 MAFFSRN 由作为特征提取块的建议特征融合组 (FFG) 组成。每个 FFG 都包含一堆建议的多注意块 (MAB)，它们组合在一个新颖的特征融合结构中。此外，具有成本效益的注意机制 (CEA) 的 MAB 帮助