通过使用小波域损失函数训练基于 GAN 的超分辨率模型，本文表明刻画高频细节和伪像之间的区别可以更好地学习，而 RGB 领域或傅立叶空间损失函数则没有这种效果。

Feb, 2024

提出了一种新的神经网络，基于 WaveMix 架构，用于图像超分辨率，不同于基于 transformer 的模型，WaveMixSR 使用离散小波变换进行空间令牌混合，可以在更少的资源和训练数据的情况下实现更高的性能，同时保持较高的参数效率。

Jul, 2023

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

为了更好的利用 Transformer 的潜力以进行图片重构，在融合通道注意力和基于窗口的自注意机制的优势的基础上提出了一种新型的 Hybrid Attention Transformer 模型。此外，还引入了重叠交叉注意力模块并采用相同任务的预训练策略，拓展模型的能力。实验证明这个模型在图片超分辨率方面的表现优于现有方法超过 1dB。

May, 2022

使用 “Low-Res Leads the Way”（LWay）训练框架，结合有监督预训练和自监督学习，通过提取低分辨率（LR）图像的降级嵌入，与超分辨输出合并进行 LR 重建，并利用未见过的 LR 图像进行自监督学习，从而提高图像超分辨模型对真实世界图像的适应能力和细节恢复能力，并通过离散小波变换（DWT）进一步改进对高频细节的聚焦，该方法在未见过的真实世界数据集上显著改善了超分辨模型的泛化能力和细节恢复能力，并超越了现有方法，是一种适用于实际图像超分辨应用的通用训练方案。

Mar, 2024

本研究提出了一种任意尺度的超分辨率方法，用于提高科学数据的分辨率；基于算子学习，使用分层神经算子和自注意机制，利用 Sinc 滤波器实现不同层级之间的信息传递，并引入可学习的先验结构动态调整像素贡献权重，从而有效平衡模型中的梯度；在多个领域的不同数据集上进行了大量实验证明相对于最先进的方法，本方法有着持续的改进。

May, 2024

本论文通过交替聚合局部全局特征，引入了位移卷积实现局部空间信息和通道信息的交互，并提出了块稀疏全局感知模块以进一步实现空间和通道信息的交互。同时，引入了多尺度自注意模块和低参数残差通道注意模块，实现了不同尺度上的信息聚合。在五个公开数据集上验证了提出的网络，在超分辨率方面超过了其他最先进的网络。

Dec, 2023

我们提出了一种新的基于降噪感知自注意的 Transformer 模型，将 CNN 和 Transformer 组件结合到超分辨网络中，实现了在盲超分辨率方面的最先进性能。

Oct, 2023

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

本文介绍一种针对医学图像的局部特征缺失问题的方法，通过重新设计自注意力映射，利用小波变换对输入特征图进行分解，使用高频和低频子带表示粗粒度和细粒度特征，重构自注意力操作并加入高频部分的高斯金字塔，引入多尺度上下文增强块，实现医学图像的准确分割，并经过广泛实验证明了该方法的有效性。

Aug, 2023