该研究使用Transformer模型架构，将自我关注机制限制在局部邻域，提高了模型处理大图像的能力，并在图像生成方面表现优异。此外，该研究还进行了图像超分辨率实验，发现其生成的图像比之前的最优模型更能欺骗人类观察者。