摘要
Marco Bevilacqua、Aline Roumy、Christine Guillemot和Marie Line Alberi Morel。 2012.基于非负邻域嵌入的低复杂度单幅图像超分辨率。 (2012). 谷歌学者 
尼古拉斯·卡里昂、弗朗西斯科·马萨、加布里埃尔·辛纳维、尼古拉斯·乌苏尼尔、亚历山大·基里洛夫和谢尔盖·扎戈鲁科。 2020年，使用变压器进行端到端物体检测。 在 欧洲计算机视觉会议。 施普林格，213-229。 谷歌学者 数字图书馆 
陈汉廷、王云和、郭天宇、徐昌、邓一萍、刘振华、马思伟、徐春静、徐超和文高。 2021.预训练图像处理变压器。 在 IEEE/CVF计算机视觉和模式识别会议记录。 12299--12310. 谷歌学者 交叉引用 
陈强、吴奇曼、王健、胡庆浩、胡涛、丁二瑞、程健和王京东。 2022.混音器：跨窗口和维度的混音功能。 在 IEEE/CVF计算机视觉和模式识别会议记录。 5249--5259. 谷歌学者 交叉引用 郑晨，张玉伦，顾金进，孔凌河，袁欣，等.2022。 用于图像恢复的交叉聚合变压器。 神经信息处理系统研究进展 35 (2022), 25478--25490. 谷歌学者 朱湘祥、田志天、王玉清、张波、任海兵、魏小林、夏华霞和沈春华。 2021.双胞胎：重新审视视觉变换器中的空间注意设计。 神经信息处理系统研究进展 34 (2021), 9355--9366. 谷歌学者 戴涛、蔡建瑞、张永兵、夏树涛和张磊。 2019.用于单图像超分辨率的二阶注意网络。 在 IEEE/CVF计算机视觉和模式识别会议记录。 11065--11074. 谷歌学者 交叉引用 丁明宇（Mingyu Ding）、肖斌（Bin Xiao）、诺埃尔·科迪拉（Noel Codella）、罗萍（Ping Luo）、王京东（Jingdong Wang）和卢远（Lu Yuan）。 2022.吊杆：双注意视觉变压器。 在 欧洲计算机视觉会议。 施普林格，74-92。 谷歌学者 数字图书馆 Chao Dong、Chen Change Loy、Kaiming He和Xiaou Tang。 2014.学习用于图像超分辨率的深度卷积网络。 在 2014年9月6日至12日在瑞士苏黎世举行的第13届欧洲计算机视觉会议，《会议记录》，第四部分，第13页。 施普林格，184-199。 谷歌学者 Chao Dong、Chen Change Loy、Kaiming He和Xiaou Tang。 2015。使用深度卷积网络的图像超分辨率。 IEEE模式分析和机器智能事务 38, 2 (2015), 295--307. 谷歌学者 Alexey Dosovitskiy、Lucas Beyer、Alexander Kolesnikov、Dirk Weissenborn、Xiaohua Zhai、Thomas Unterthiner、Mostafa Dehghani、Matthias Minderer、Georg Heigold、Sylvain Gelly等人，2020。 一幅图像相当于16x16个单词：用于大规模图像识别的变形金刚。 arXiv预印arXiv:2010.11929 (2020). 谷歌学者 黄家斌、阿布谢克·辛格和纳伦德拉·阿胡贾。 2015.改造后的自拍相机的单图像超分辨率。 在 IEEE计算机视觉和模式识别会议记录。 5197--5206. 谷歌学者 交叉引用 Jiwon Kim、Jung Kwon Lee和Kyong Mu Lee。 2016.使用非常深的卷积网络实现精确的图像超分辨率。 在 IEEE计算机视觉和模式识别会议记录。 1646--1654. 谷歌学者 交叉引用 Diederik P Kingma和Jimmy Ba.2014年。 亚当：一种随机优化方法。 arXiv预打印arXiv:1412.6980 (2014). 谷歌学者 Christian Ledig、Lucas Theis、Ferenc Huszár、Jose Caballero、Andrew Cunningham、Alejandro Acosta、Andrew-Aitken、Alykhan Tejani、Johannes Totz、Zehan Wang等，2017年。 使用生成对抗网络的真实感照片单图像超分辨率 IEEE计算机视觉和模式识别会议记录。 4681--4690. 谷歌学者 交叉引用 梁静云、曹洁璋、孙国磊、张凯、吕克·范古尔和拉杜·蒂莫夫特。 2021.Swinir：使用swin变压器恢复图像。 在 IEEE/CVF计算机视觉国际会议论文集。 1833--1844. 谷歌学者 交叉引用 Bee Lim、Sanghyun Son、Heewon Kim、Seungjun Nah和Kyoung Mu Lee。 2017.增强的深度残差网络用于单图像超分辨率。 在 IEEE计算机视觉和模式识别研讨会会议记录。 136--144. 谷歌学者 交叉引用 刘泽、林宇通、曹岳、胡涵、魏一轩、张正、林士泰和郭白宁。 2021.Swin transformer：使用移动窗口的分层视觉变换器。 在 IEEE/CVF计算机视觉国际会议论文集。 10012--10022. 谷歌学者 交叉引用 大卫·马丁（David Martin）、查尔斯·福克斯（Charless Fowlkes）、多伦·塔尔（Doron Tal）和吉坦德拉·马利克（Jitendra Malik）。 2001.人类分割自然图像数据库及其在评估分割算法和测量生态统计中的应用。 在 第八届IEEE计算机视觉国际会议论文集。 ICCV 2001 ，第2卷。 IEEE，416--423。 谷歌学者 交叉引用 松井裕介、伊藤晃太、荒木裕二、藤本阿祖马、小川彻、山崎俊彦和爱泽清纯。 2017.使用manga109数据集进行基于草图的漫画检索。 多媒体工具和应用程序 76 (2017), 21811--21838. 谷歌学者 数字图书馆 梅依群、范玉晨和周玉谦。 2021.非局部稀疏关注的图像超分辨率。 在 IEEE/CFF计算机视觉与模式识别会议论文集。 3517--3526. 谷歌学者 交叉引用 本牛、文伟磊、任文琪、张祥德、杨连平、王淑珍、张开浩、曹晓春和沈海峰。 2020年，通过整体关注网络实现单图像超分辨率 计算机愿景—ECCV 2020：第16届欧洲会议，英国格拉斯哥，2020年8月23日至28日，会议记录，第十二部分16。 施普林格，191-207。 谷歌学者 Adam Paszke、Sam Gross、Soumith Chintala、Gregory Chanan、Edward Yang、Zachary DeVito、Zeming Lin、Alban Desmaison、Luca Antiga和Adam Lerer。 2017.pytorch中的自动区分。 (2017). 谷歌学者 Radu Timofte、Eirikur Agustsson、Luc Van Gool、Ming-Hsuan Yang和Lei Zhang。 2017年，Ntire 2017单图像超分辨率挑战：方法和结果。 在 IEEE计算机视觉和模式识别研讨会会议记录。 114--125. 谷歌学者 交叉引用 王文孝、陈伟、邱启波、陈龙、吴伯喜、林斌、何晓飞和刘伟。 2023.Crossformer++：一款多功能视觉变换器，专注于跨尺度注意力。 arXiv预打印arXiv:2303.06908 (2023). 谷歌学者 王文海、谢恩泽、李翔、范登平、宋凯涛、丁亮、桐庐、罗萍和凌绍。 2021.金字塔视觉变换器：无卷积密集预测的通用主干。 在 IEEE/CVF计算机视觉国际会议论文集。 568--578. 谷歌学者 交叉引用 王新涛、柯瑜、吴世祥、顾金进、刘一浩、赵东、于乔和陈昌乐。 2018年，Esrgan：增强超分辨率生成对抗网络。 在 欧洲计算机视觉会议（ECCV）研讨会会议记录。 0--0. 谷歌学者 Zhou Wang、Alan C Bovik、Hamid R Sheikh和Eero P Simoncelli。 2004年。图像质量评估：从错误可见性到结构相似性。 IEEE图像处理事务 13, 4 (2004), 600--612. 谷歌学者 数字图书馆 Syed Waqas Zamir、Aditya Arora、Salman Khan、Munawar Hayat、Fahad Shahbaz Khan和Ming-Hsuan Yang。 2022.还原器：用于高分辨率图像还原的高效变压器。 在 IEEE/CVF计算机视觉和模式识别会议记录。 5728--5739. 谷歌学者 交叉引用 罗曼·泽德、迈克尔·埃拉德和马坦·普洛特。 2012年。关于使用稀疏表示的单幅图像放大。 在 曲线和曲面：第七届国际会议，法国阿维尼翁，2010年6月24日至30日，修订论文集7。 施普林格，711-730。 谷歌学者 数字图书馆 张嘉乐、张玉伦、顾金进、张永兵、孔凌河、袁欣。 2022.使用引人注目的可伸缩变压器进行精确的图像恢复。 arXiv预打印arXiv:2210.01427 (2022). 谷歌学者 张玉伦、李坤鹏、李凯、王立晨、钟碧能和傅云。 2018年。使用非常深的剩余通道注意网络的图像超分辨率。 在 欧洲计算机视觉会议记录。 286--301. 谷歌学者 数字图书馆 张玉伦、田亚鹏、余刚、钟彬能、傅云。 2018.图像超分辨率剩余密集网络。 在 IEEE计算机视觉和模式识别会议记录。 2472--2481. 谷歌学者 交叉引用
建议
用于高效图像超分辨率的非局部空间和全局信道变压器 多媒体建模 摘要 基于变换的方法在图像超分辨率（SR）方面取得了良好的突破，因为它具有捕获图像中长距离相关性的强大能力。 然而，这些方法主要集中于捕捉空间交互。。。 用于图像字幕的双空间归一化变换器 摘要 自我注意模块在图像字幕中占据主导地位。 然而，当前的自我关注模块没有充分考虑图像中对象之间的空间相关性，很容易受到分布偏移的影响。 在这项工作中，我们的目标是。。。 集锦 为了增强空间相关性，提出了一种空间增强注意力（SEA）模块。 提出了一种门控规范化注意（GNA）模块来固定分布。 SEA和GNA模块应用于Transformer架构，用于图像处理。。。
用于图像超分辨率的信息增长注意力网络 MM’21：第29届ACM国际多媒体会议记录 众所周知，与低分辨率（LR）图像相比，高分辨率（HR）图像包含更多生产信息，因此图像超分辨率（SR）满足信息增长过程。 考虑到财产，我们试图。。。
