To aggregate the multi-scale LR features at different layers and the transferredtexture features we propose a residual feature aggregation module RFA toperform feature fusion and extraction As shown i

为了在不同层次上聚合多尺度的低分辨率(LR)特征和转换后的纹理特征，我们提出了一个残差特征聚合模块(RFA)来进行特征融合和提取。如图4所示，RFA由卷积神经网络(CNNs)和Swin Transformer层(STL)组成，后者在许多任务中受到了广泛关注。具体而言，我们首先使用一个卷积层来融合LR特征Fl和注意力特征Al，即F'l+1=Conv(Fl,Al)，其中Conv是卷积层。然后，我们使用Swin Transformer和残差连接来提取LR和转换特征的更深层次的特征，F'l+1=STL(F'l+1)+Fl，其中STL的详细信息放在补充材料中。在RFA的最后，我们使用另一个卷积层来提取STL的特征，Fl+1=Conv(F'l+1)。根据最后一个尺度的聚合特征FL，我们使用跳跃连接来合成SR图像，即XSR=FL+XLR↑。