【TPAMI2023】Global Learnable Attention for Single Image Super-Resolution
代码：https://github.com/laoyangui/DLSN
这是来自福州大学的工作，提出一个有意思的观点：当前方法大多使用 non-local attention 来计算图像块之间的相似性，而且认为与query更为相似的图像块能够提供更丰富的信息，但是作者认为并不总是这样。如下图所示， 当query严重损坏时，查询到高相似度的图像块就不能提供有效的重建信息，但是低相似度的图像块却能提供丰富的信息。
为了解决上面的问题，作者提出了一个 Global Learnable Attention 模块（下图右下角绿框中的部分）。GLA可以动态的调整特征间的相似性，同时因为使用了Locality-Sensitive Hashing，降低了计算的复杂度。
作者写了一个算法，将整个过程描述的比较清晰：
论文有一个实验很有趣，如下图所示，使用LSS的时候，就能够动态的找到真正具有相似纹理以及信息比较强的区域。其它实验可以参考作者论文，这里不过多介绍。
