<div align="center">

[IEEE TIP] 革新图像超分辨率：一种基于ConvFormer的高效方法

吴刚, 姜京君, 姜俊鹏, 和 刘贤明

智能信息分析实验室, 哈尔滨工业大学

</div>

本仓库是论文《革新图像超分辨率：一种基于ConvFormer的高效方法》的官方PyTorch实现。

单图像超分辨率（SISR）的最新进展已取得卓越的性能，但这些方法的计算成本仍是在资源受限设备上部署的挑战。特别是基于Transformer的方法，利用自注意力机制，已带来重大突破，但也引入了巨大的计算开销。为解决这一问题，我们引入了卷积Transformer层（ConvFormer），并提出了一种基于ConvFormer的超分辨率网络（CFSR），为轻量级图像超分辨率提供了有效且高效的解决方案。该方法继承了基于卷积和基于Transformer方法的双重优势。具体而言，CFSR利用大核卷积作为特征混合器来替代自注意力模块，以最小的计算开销高效地建模长程依赖和大感受野。此外，我们提出了一种边缘保持前馈网络（EFN），旨在实现局部特征聚合的同时有效保留高频信息。大量实验表明，与现有轻量级SR方法相比，CFSR在计算成本和性能之间取得了最佳平衡。在与ShuffleMixer等最先进方法的对比中，所提出的CFSR在Urban100数据集的x2超分辨率任务上实现了0.39 dB的提升，同时参数量和FLOPs分别减少了26%和31%。

结果

x2、x3和x4超分辨率任务的结果可在 Google Drive 获取