要点1
目前超分的SOTA算法是基于CNN的，几乎没有用Transformer的研究。所以本文提出了一个超分的baseline：SwinIR，它包含三个部分，浅层特征提取、深层特征提取和高质量图像重建。深度特征提取是由几个残差的Swin Transformer块（RSTB）组成，并且整体有一个残差连接。
要点2
网络结构如下：
SR任务训练时损失函数采用L1损失，对于图像去噪和JPEG压缩伪影重建任务上，使用Charbonnier loss。
要点3
MLP源码实现：
其实就是全连接网络，用了GELU损失函数
GELU的全称是GAUSSIAN ERROR LINEAR UNIT
与Sigmoids相比，像ReLU，ELU和PReLU这样的激活可以使神经网络更快更好地收敛。
此外，Dropout通过将一些激活数乘以0来规范化模型。
以上两种方法共同决定了神经元的输出。但是，两者彼此独立工作。GELU旨在将它们结合起来。
另外，称为Zoneout的新RNN正则化器将输入随机乘以1。
我们希望通过将输入乘以0或1并确定性地获得（激活函数的）输出值来合并所有3个功能，就有了GELU。
MSA其实就是Transformer中的多头注意力机制，他的过程是先把尺寸为HxWXC的特征图给分成多个块（窗口），块的大小为MxMxC，每个块（窗口）进行多头注意力，注意力是如下公式：
这个公式，可以参看知乎文章超详细图解Self-Attention。