HiT-SR：高效图像超分辨率的层次 Transformer
原文中文，约2000字，阅读约需5分钟。
📝
内容提要
本文介绍了多种基于Transformer的图像超分辨率模型，如Hybrid Attention Transformer、Swin Transformer和S2R。这些模型通过结合不同的注意力机制和预训练策略，显著提升了超分辨率性能，实验结果在多个基准测试中优于现有方法。
❓
Q&A
Hybrid Attention Transformer 模型的主要优势是什么？
Hybrid Attention Transformer 模型通过融合通道注意力和基于窗口的自注意机制，提升了图片超分辨率性能，实验证明优于现有方法超过 1dB。
Swin Transformer 在计算机视觉中的应用是什么？
Swin Transformer 作为通用骨干，具有强大的能力，适用于图像分类和目标检测等任务。
ITSRN 网络是如何解决超分辨率问题的？
ITSRN 网络通过调整像素查询坐标和隐式位置编码方案，实现高质量的连续超分辨率，实验表明其在处理压缩和非压缩 SCI 方面优于其他方法。
CFAT 模型的创新点是什么？
CFAT 模型结合了三角-矩形窗口和基于通道的全局注意力技术，能够激活更多图像像素的注意机制，从而提高超分辨率性能。
HST 模型在 AIM2022 挑战赛中的表现如何？
HST 模型在 AIM2022 挑战赛中取得了排名第五的优异结果，PSNR 达到 23.51dB，验证了模型的有效性。
S2R 框架的主要特点是什么？
S2R 框架包含轻量级的 S2R transformer 和新颖的自上而下的训练策略，能够在理想和随机模糊条件下实现出色的视觉结果。
🏷️
