本文介绍了一种新的基于变压器的算法Selective Super-Resolution（SSR），通过图像分割和金字塔结构选择感兴趣的图块，并利用深度特征仅重构这些选定的图块，解决了常规超分辨率方法的计算成本和引入额外信息的问题。实验证明，该方法在超分辨率方面具备效率和稳健性，与最先进的方法相比，FID评分降低到10.41，计算成本减少了40%。

本文介绍了一种新的离线强化学习方法——图决策Transformer（GDT），它将输入序列建模为因果图，以捕捉不同概念之间的潜在依赖关系。GDT在图形输入处理中使用图形Transformer，并在视觉任务中使用一个可选的序列Transformer来处理细粒度空间信息。实验表明，GDT在基于图像的Atari和OpenAI Gym上的性能可以与最先进的离线强化学习方法相媲美或超越。