Key points are not available for this paper at this time.
Resumo A super-resolução de imagem (SR) desempenha um papel vital em tarefas de visão, nas quais métodos baseados em Transformer superam redes neurais convolucionais convencionais. O trabalho existente geralmente utiliza vinculação residual para melhorar o desempenho, mas esse tipo de vinculação fornece transferência de informação limitada dentro do bloco. Além disso, para melhorar a extração de características, o trabalho existente geralmente restringe o cálculo da autoatenção a uma única janela. Isso significa que redes baseadas em transformer podem usar apenas informações de características dentro de um intervalo espacial limitado. Para lidar com esse desafio, este artigo propõe uma nova Rede Híbrida de Transformer Conectada por Atenção Densa (HADT) para melhor utilizar o potencial de informações de características. A HADT é construída empilhando o bloco atencional de transformer (ATB), que contém o Bloco de Transformer Denso Eficaz (EDTB) e o Bloco de Atenção Híbrido (HAB). O EDTB combina conectividade densa e swin-transformer para melhorar a transferência de características e aprimorar a representação do modelo, e, ao mesmo tempo, o HAB é usado para interação de informação entre janelas e modelagem conjunta de características para melhor visualização. Com base nos experimentos, nosso método é eficaz em tarefas de SR com fatores de ampliação de 2, 3 e 4. Por exemplo, usando o conjunto de dados Urban100 em um experimento com um fator de ampliação de 4, nosso método tem um valor de PSNR que é 0,15 dB maior do que o método anterior e reconstrói uma textura mais detalhada.
Guo et al. (Ter,) estudaram essa questão.