vision transformer 超分

Vision Transformer（ViT）是一种用于计算机视觉任务的架构，最初于2020年推出，并在图像分类、目标检测、视频理解等领域得到广泛应用。ViT的基本思想是将图像分解为一系列局部patch，并使用线性投影将这些patch标记为输入。ViT利用了多头自注意（MHSA）机制，以捕捉图像中不同部分之间的长期关系。

关于Vision Transformer的超分辨率（SR）应用，有一项最新的研究提出了SwinIR，它使用了Swin Transformer来进行图像恢复和超分辨率重建。SwinIR在图像恢复任务上取得了很好的效果，并在2021年的IEEE/CVF国际计算机视觉会议上进行了介绍。