paper通过密集连接的小卷积核实现细节特征（高频特征提取）提取importtorch.nnasnnclassDense(nn.Module):def__init__(self,in_channels):super(Dense,self).__init__()#self.norm=nn.LayerNorm([in_channels,128,128])#Assuminginputsi

DA-CLIP-universal-image-restoration代码详解创建模型model=create_model(opt)device=model.devicecreat_model最终指向ConditionalUNet类，类的主要结构如下：classConditionalUNet(nn.Module):def__init__(self,in_nc,out_nc,nf,ch_mult=[1,

大佬链接：Restormer:EfficientTransformerforHigh-ResolutionImageRestoration-知乎(zhihu.com)一.Motivation1.CNN感受野有限，因此无法对长距离像素相关性进行建模；卷积滤波器在推理时具有静态权重，因此不能灵活地适应输入内容2.Transformer模型缓解了CNN的缺点（有限的感

 三.Network 1.  2.FLB：没看懂是怎么分离的水平和竖直方向 3.SLB：每一层保留一半的通道特征用于细化，其余的在特征重构后输出（没看懂）。Multi-distillationNetwork 超分辨网络的Multi-distillationNetwork(2019ACMMM_LightweightImageSuper-ResolutionwithIn

>论文：https://readpaper.com/paper/4728855966703960065代码：https://github.com/ofsoundof/GRL-Image-Restoration这个论文的代码地址叫GRL，意思是Global,Regional,Local的意思，作者从三个尺度对特征建模，核心是构建了一个anchoredstripself-attention。如何从Global,R

 思路:对于每一个bi都会有有一个范围,然后贪心的做,具体的先对这个范围按照左端点排序,然后贪心的去最小的值去放 

【NeurIPS2022】CrossAggregationTransformerforImageRestoration研究动机：当前方法Transformer方法把图像分成8x8的小块处理，thesquarewindowlacksinter-windo

贪心、扫描线思想D-PermutationRestoration题意有\(1-n\)的一个排列\(a_i\),给定\(b_i\),满足\(b_i=\lfloor\fraci{a_i}\rfloor\),求\(a_i\)（n<=5e5)