CAMixerSR：唯有细节需要更多“注意力”

为了满足对大图像（2K-8K）超分辨率 (SR) 迅速增长的需求，主流方法遵循两条独立的路径：1) 通过内容感知路由加速现有网络，以及 2) 通过 token 混合器细化设计更好的超分辨率网络。尽管直接，但它们遇到了不可避免的缺陷（例如，路由不灵活或处理缺乏判别性），限制了质量 - 复杂度权衡的进一步改进。为了消除这些缺点，我们通过提出内容感知混合器 (CAMixer) 整合了这些方案，该混合器为简单上下文分配卷积，并为稀疏纹理分配额外的可变形窗口注意力。具体而言，CAMixer 使用可学习预测器生成多个引导项，包括用于窗口扭曲的偏移量、用于分类窗口的掩码，以及赋予卷积动态特性的卷积注意力，从而自适应地调节注意力以包含更多有用的纹理，并提高卷积的表示能力。我们进一步引入了全局分类损失以提高预测器的准确性。通过简单堆叠 CAMixer，我们获得了 CAMixerSR，其在大图像 SR、轻量级 SR 和全向图像 SR 上实现了卓越的性能。