带有代码的论文--- [ ] 带有代码的纸--- [ ] 变压变压器 预培训图像处理变压器，[]，[] 注意力可视化之外的变压器可解释性，[]，[] 生成对抗式变压器，[]，[] 变压器中的变压器，[]，[] 带有变压器的端到端视频实例分割，[] 用变压器从序列到序列的角度重新思考语义分割，[]，[] 图像处理 AdderSR：迈向节能图像超分辨率， Efficient SR ，[]，[代码] 探索图像超分辨率中的稀疏性以进行有效推理， Efficient SR ，[论文]，[代码] ClassSR：通过数据特性， Efficient SR加速超分辨率网络的通用框架，[论文]，[代码] 用于图像超分辨率， Efficient SR数据知识蒸馏 Cross-MPI：使用多平面图像进行图像超分辨率的跨尺度立体声， Stereo SR ，[纸张]，[代码] 学习具有局部

通过细心分形网络去除莫尔条纹 | 介绍 莫尔图案通常是在屏幕或带有高频纹理的其他对象的照片上看到的伪影。 考虑到其复杂的颜色和形状，去除波纹图案非常具有挑战性。 在这项工作中，我们提出了一个分形分形网络来有效地解决这个问题。 首先，我们使用渐进特征融合和逐通道注意指导构造每个注意力分形块。 然后将网络与块在每个级别上分形堆叠。 其次，为了进一步提高性能，我们采用了两阶段的增强优化策略。 通过这些设计，我们的方法在NTIRE20挑战赛中赢得了爆破去除轨迹，并在单幅图像去除轨迹和单幅图像去模糊轨迹上获得了第二名。 广泛的实验证明，与现有的最新技术相比，我们的莫尔条纹去除方法具有优越性，并证明了其各个组成部分的有效性。 数据集 我们使用NTIRE20演示版中发布的原始数据集并进行去模糊化挑战，请访问或在相应的Codalab竞赛中注册以获取数据集。 入门 使用Python> = 3.6创建和激活

从单个图像去除雨滴的细心生成对抗网络（CVPR'2018） ， ，嘉俊苏和 （TBA） （TBA）（CVPR'18聚光灯） 抽象的 附着在玻璃窗或相机镜头上的雨滴会严重妨碍背景场景的可见性，并严重降低图像质量。 在本文中，我们通过目视去除雨滴，从而将雨滴降级的图像转换为干净的图像来解决该问题。 这个问题是棘手的，因为首先没有给出被雨滴遮挡的区域。 第二，关于被遮挡区域的背景场景的信息在很大程度上被完全丢失。 为了解决该问题，我们使用对抗训练来应用细心的生成网络。 我们的主要思想是将视觉注意力注入到生成网络和判别网络中。 在培训期间，我们的视觉注意力会了解雨滴区域及其周围的环境。 因此，通过注入此信息，生成网络将更加关注雨滴区域和周围的结构，而判别网络将能够评估恢复区域的局部一致性。 除了去除雨滴外，对生成网络和判别网络的视觉注视也是本文的另一项贡献。 我们的实验证明了我们方法的有