论文: CATANet: Efficient Content-Aware Token Aggregation for Lightweight Image Super-Resolution作者: Xin Liu, Jie Liu, Jie Tang, Gangshan Wu（State Key Lab for Novel Software Technology, Nanjing University）发表: CVPR 2025论文链接: arXiv:2503.06896代码链接: EquationWalker/CATANet一、引言单图像超分辨率（SISR）是计算机视觉中的经典任务，目标是从低分辨率（LR）图像恢复高分辨率（HR）图像。Transformer 方法凭借其强大的自注意力机制，在 SR 任务上取得了令人瞩目的成绩，但其计算复杂度随空间分辨率呈二次增长，严重制约了其在轻量级场景中的应用。为缓解这一问题，现有方法通常将图像划分为固定大小的局部窗口（如 SwinIR）或轴向条带（如 Axial Atte
论文: CATANet: Efficient Content-Aware Token Aggregation for Lightweight Image Super-Resolution作者: Xin Liu, Jie Liu, Jie Tang, Gangshan Wu（State Key Lab for Novel Software Technology, Nanjing University）发表: CVPR 2025论文链接: arXiv:2503.06896代码链接: EquationWalker/CATANet一、引言单图像超分辨率（SISR）是计算机视觉中的经典任务，目标是从低分辨率（LR）图像恢复高分辨率（HR）图像。Transformer 方法凭借其强大的自注意力机制，在 SR 任务上取得了令人瞩目的成绩，但其计算复杂度随空间分辨率呈二次增长，严重制约了其在轻量级场景中的应用。为缓解这一问题，现有方法通常将图像划分为固定大小的局部窗口（如 SwinIR）或轴向条带（如 Axial Atte
)
![[C++]内存管理：串顺序存储的内存回收](http://pic.xiahunao.cn/yaotu/[C++]内存管理：串顺序存储的内存回收)
