GRFormer：针对轻量级单幅图像超分辨率的分组残差自注意力
内容提要
本文介绍了多种单图像超分辨率网络模型，包括动态残差自注意力网络（DRSAN）、MaxSR、DARTS、SPAN和EARFA等。这些模型通过自注意力机制和残差连接等技术，提高了图像质量和计算效率，展现了在超分辨率任务中的有效性。
延伸解读
轻量级超分辨率的技术演进
从2021年的DRSAN到2024年的EARFA，轻量级单图像超分辨率模型在注意力机制和残差连接上持续创新。DRSAN通过动态残差关注自动调整结构，MaxSR利用自适应块关注和网格关注建模全局自相似性，SPAN采用参数自由注意力平衡质量与速度，EARFA引入熵注意力和位移大核注意力提升推理速度。这些工作共同推动了性能与计算效率的权衡。
注意力机制的多样化设计
不同模型对注意力机制的应用各有侧重：DRSAN的残差自注意力模块增强特征表达，MaxSR的自适应块关注和网格关注捕捉全局依赖，DARTS将注意力用于基于参考图像的匹配，ATD-SR通过自适应记号字典和类别划分自注意力提升特征，NLSA则用卷积非局部稀疏注意力扩展感受野。这些设计反映了注意力机制在超分辨率任务中的灵活性和重要性。
性能与效率的平衡策略
轻量级超分辨率模型的核心挑战是在有限计算资源下保持高质量输出。SPAN通过参数自由注意力机制平衡参数数量、推断速度和图像质量；CFSR用大卷积核替代自注意力，在计算成本略增下保留更多高频信息；EARFA通过熵注意力和位移大核注意力显著提高推理速度。这些策略表明，针对特定硬件和场景优化注意力计算是可行的方向。
Q&A
动态残差自注意力网络 (DRSAN) 的主要特点是什么？
DRSAN 通过动态残差关注和残差自注意力模块提高单图像超分辨率性能，提供了网络性能与计算复杂度之间的有效权衡。
MaxSR 模型是如何实现全局自相似性建模的？
MaxSR 模型基于 MaxViT，通过自适应块关注和自适应网格关注来实现更好的全局自相似性建模。
DARTS 模型的优势是什么？
DARTS 是一种基于参考图像的 transformer 模型，能够增强低分辨率图像内容，并简化架构和训练过程。
分组残差网络 (GRRN) 在视频超分辨率中的表现如何？
GRRN 在一些定量标准上不及现有方法，但在输出图像质量方面表现仍然可接受。
Swift Parameter-free Attention Network (SPAN) 的主要贡献是什么？
SPAN 使用参数自由的注意力机制，实现了超分辨率模型的质量和速度平衡。
EARFA 模型如何提高推理速度和超分辨率性能？
EARFA 通过引入熵注意力和位移大核注意力，显著提高了模型的推理速度，同时保持了优越的超分辨率性能。
