超越局部窗口限制：基于自适应标记字典的高级超分辨率Transformer

单图像超分辨率是一个经典的计算机视觉问题，涉及从低分辨率（LR）图像估计高分辨率（HR）图像。尽管深度神经网络（DNN），特别是用于超分辨率的Transformer，近年来取得了显著进展，但挑战依然存在，尤其是基于窗口的自注意力机制导致的有限感受野。为了解决这些问题，我们向SR Transformer引入了一组辅助的自适应标记字典，并建立了ATD-SR方法。引入的标记字典可以从训练数据中学习先验信息，并通过自适应细化步骤将学习到的先验适应于特定测试图像。细化策略不仅能为所有输入标记提供全局信息，还能将图像标记分组为类别。基于类别划分，我们进一步提出了一种基于类别的自注意力机制，旨在利用远距离但相似的标记来增强输入特征。实验结果表明，我们的方法在各种单图像超分辨率基准上取得了最佳性能。