将金字塔注意力模块用于图像修复能够提高深度卷积神经网络方法的自相似性，从而能够更好地处理在不同尺度上具有类似模式的图像，并可应用于多种图像修复任务中，包括图像去噪、去马赛克、减少压缩伪影和超分辨率。

Apr, 2020

本研究旨在设计一种新的关注区块，其见解来自于 SR 网络的局部归因图解释。我们使用轻量级全局像素访问模块处理全局区域，使用 Intra-Patch 自我关注模块处理局部区域，并使用级联补丁划分策略来提高恢复图像的感知质量。实验结果表明，我们的方法比最先进的轻量级 SR 方法表现更好。

Nov, 2022

本研究提出了一种名为 Serpent 的架构，利用序列建模中的最新进展在核心计算模块中应用状态空间模型 (SSMs)，以实现与最先进技术相媲美的重建质量，并且在需要更少的计算量（高达 150 倍的 FLOPS 减少）和更少的 GPU 内存（最多 5 倍）的同时维持一个紧凑的模型尺寸。

Mar, 2024

本文提出了残差非局部注意力网络用于高质量图像恢复，利用局部和非局部注意块来提取长程依赖的特征并对挑战性部分进行更多关注，在局部和非局部注意力学习中加入残差机制以增强网络的表征能力，可以被推广应用于各种图像恢复应用中，如图像去噪，去马赛克，压缩失真减少和超分辨率。实验结果表明，我们的方法在定量和定性指标上都取得了可比或更好的结果。

Mar, 2019

本研究提出了多通路结构的 Transformer 模型，实现局部到全局的多粒度特征推理，相较于现有的分层设计模型，在增加了极小的计算量的同时，在图像分类和语义分割任务上取得了显著的提高。

Jul, 2021

本文提出了一种利用深度学习技术中的循环记忆 - 关注模块来实现图像多标签分类识别的新方法。通过不使用候选区域提取方法，从卷积特征图中定位注意区域，并使用 LSTM 子网络对这些区域进行语义标记和全局依赖性的序列预测。试验表明该方法在识别准确率和效率上均优于现有技术。

Nov, 2017

该论文介绍了使用全局 - 局部渐进式生成网络（GLSGN）来恢复超高分辨率图像，该模型利用四个恢复路径（三个局部路径和一个全局路径）进行恢复，其中局部路径聚焦于在局部但高分辨率的图像路径上进行细粒度的图像恢复，而全局路径则在缩小但完整的图像上大范围地进行图像恢复，以提供包括语义和噪声模式在内的全局视图的线索。同时该论文还介绍了第一个用于超高分辨率去反射和去雨纹的数据集，并展示了 GLSGN 在三个典型的背景恢复任务中的卓越性能。

Jul, 2022

本文提出了一种新颖的协作注意力网络（COLA-Net），该网络是首次尝试将局部和非局部注意力机制相结合以在复杂纹理区域和高度重复细节区域恢复图像内容。实验表明，我们的 COLA-Net 无论在峰值信噪比还是视觉感知上都达到了最先进的性能，同时保持了较低的计算复杂度。

Mar, 2021

本文提出了一种分层动态网络 (HDNet) 用于图像和谐处理，该网络通过局部动态和面具感知全局动态，从本地到全局视角自适应模型参数和特征改变，以实现更好的特征转换和全局调和。

Nov, 2022

本文提出了一种基于 Transformer 和注意力机制的对称变压器框架，其中融合了局部感知机制和全局相关特征学习，在图像压缩方面表现出更好的效果。

Mar, 2022