CAMixerSR：只有细节需要更多关注
为了满足对大图像（2K-8K）超分辨率（SR）快速增长的需求，主流方法遵循两条独立的轨道：①通过内容感知路由加速现有网络；②通过令牌混合器重构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，不灵活的路由或非歧视性处理），限制了质量-复杂性权衡的进一步改进。为了消除这些缺点，通过提出一种内容感知混合器（CAMixer）来整合这些方案，该混合器为简单上下文分配卷积，为稀疏纹理分配额外的可变形窗口注意力。具体来说，CAMixer使用一个可学习的预测器来生成多个引导带，包括窗口扭曲的偏移、窗口分类的掩码和赋予卷积动态特性的卷积注意，这调节了注意以自适应地包含更多有用的纹理，并提高了卷积的表示能力。进一步引入了全局分类损失来提高预测器的准确性。通过简单地堆叠CAMixers，获得了CAMixerSR，它在大图像SR、轻量级SR和全向图像SR上实现了卓越的性能。
ClassSR框架和CAMixer的比较，如图3-17所示。
添加图片注释，不超过 140 字（可选）
图3-17 ClassSR框架和CAMixer的比较
在图3-17中，（左）平原/复杂斑块的恢复难度不同。（中）ClassSR将输入图像裁剪为子图像，通过不同复杂度的模型进行判别处理。（右）引入了一个内容感知混合器（CAMixer）来计算复杂区域的自关注，进而简化上下文的卷积。
改进的CAMixer概述，如图3-18所示。
添加图片注释，不超过 140 字（可选）
图3-18 改进的CAMixer概述
在图3-18中，CAMixer由3部分组成：预测器、自注意分支和卷积分支。