本文介绍了ESRT，一种用于单图像超分辨率的高效Transformer模型，它结合轻量级CNN主干和Transformer主干，降低了计算成本并减少了GPU内存占用。ESRT采用高保留块动态调整特征图大小，使用高频过滤模块和自适应残差特征块，同时结合了轻量级Transformer，利用高效多头注意力机制，有效地捕获了图像中相似区域的长期依赖性。实验证明，ESRT在保持竞争力的性能下，计算成本显著降低。
第一次来请先看这篇文章：【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等）
文章目录
- 前言
- Abstract
- 1. Introduction
- 2. Related Works
- 3. Efficient Super-Resolution Transformer
- 4. Experiments
- 5. Conclusion
前言
论文题目：Transformer for Single Image Super-Resolution —— 用于单幅图像超分辨率的变压器
论文地址：Transformer for Single Image Super-Resolution
论文代码：https://github.com/luissen/ESRT
CVPR 2022！高效超分Transformer！
Abstract
随着深度学习的发展，单图像超分辨率 (SISR) 取得了长足的进步。然而，现有的研究大多集中在构建具有大量层的更复杂的网络。最近，越来越多的研究人员开始探索 Transformer 在计算机视觉任务中的应用。然而，视觉 Transformer 的计算成本高和高 GPU 内存占用无法被忽略。在本文中，我们提出了一种用于 SISR 的新型高效超分辨率转换器 (ESRT)。ERT 是一个混合模型，由轻量级 CNN 主干 (LCB) 和轻量级 Trans
订阅专栏 解锁全文
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
