1.一种基于Transformer的人脸图像超分辨的方法，其特征在于,具体包括以下步骤：S1：数据预处理；首先将原始高分辨率RGB人脸图像通过Bicubic方法下采样得到低分辨率数据x；然后将x均匀切割成N个固定大小的图像块 ；

S2： 构建CNN特征提取器，得到图像块的特征图，每一个块的输出特征是三维的张量，大小是 ；为了能够被输入到transformer中，在空间维度上展开为 ；

S3:根据每个图像块的位置索引，生成块级别上的可学习的位置编码c，其长度与 相同，并被对应添加到 中，记作嵌入向量 ，以保留图像块的位置信息；

S4：将嵌入向量 作为输入序列馈入标准TransformerEncoder模块，编码器使用多个自注意力块来组合不同Embedding之间的特征；

S5：构造超分辨解码器，首先把transformer的encoder模块的输出和特征提取器的输出 组合起来，作为超分辨解码器的输入，然后使用残差块和卷积层对特征进行解码，得到最终的超分辨图像。

2.根据权利要求1所述的一种基于Transformer的人脸图像超分辨的方法,其特征在于,所述步骤S1中，具体包括以下步骤：S1‑1：构造高分辨率和低分辨率的人脸图像对,建立公式（1）如下： （1），

其中 表示高分辨率人脸图像，表示对应的低分辨率图像， Bicubic插值算法；

S1‑2：将RGB图像 切割成N个固定大小的图像块 ；其中 ， ，则 。

3.根据权利要求1所述的一种基于Transformer的人脸图像超分辨的方法,其特征在于,所述步骤S2中，具体包括以下步骤：S2‑1：构建图像特征提取器 ，其第一部分由卷积层、批标准化（batch normalization）和ReLu操作组成，第二部分包括3个ResidualBlock；

S2‑2：将图像块序列同步送入特征提取器 ，对应生成N个特征图 ,=1,…,N，其中 表示网络通道数, 表示输出特征图的大小,, =1,…,N （2）；

S2‑3：为了使图像的二维表示能够被输入到transformer的encoder模块中去，对特征图进行展平操作，记作 。

4.根据权利要求1所述的一种基于Transformer的人脸图像超分辨的方法,其特征在于,所述步骤S3中，具体包括以下步骤：S3‑1：使用原始的一维位置嵌入方法，将每个图像块的位置根据公式（3）（4）产生位置嵌入c ：

(3)

(4)

其中， 是指图像块在原始图像中的位置，取值范围是[0,N]；表示特征图中的像素位置，即奇数位置的时候采用公式（3），反之使用公式（4）；

S3‑2：将可学习的位置嵌入c与图像块的嵌入向量 结合，形成具备位置信息的嵌入向量 ，即

c+ (5)。

5.根据权利要求1所述的一种基于Transformer的人脸图像超分辨的方法,其特征在于,所述步骤S4中，具体包括以下步骤：S4‑1：使用标准的TransformerEncoder架构，由一个多头自注意力模块(Multi‑head self‑attention)和一个前馈网络层(MLP)组成，并且在每个块之前都应用LayerNorm操作，在每个块之后都应用残差连接，其具体过程如下： (6)

(7)

(8)

(9)

(10)

其中，公式（6）（7）表示了自注意力操作的过程， ，表示线性映射的权重， 表示对嵌入向量 做线性映射；最后输出 。

6.根据权利要求1所述的一种基于Transformer的人脸图像超分辨的方法,其特征在于,所述步骤S5中，具体包括以下步骤：S5‑1：将TransformerEncoder模块提取的全局信息与特征提取器所提取的局部特征组合起来，作为图像超分辨率解码器的输入，公式如下： (11)

其中 表示级联操作；

S5‑2：构造超分辨率解码器，首先通过标准的3×3的卷积‑批标准化‑ReLu流程来减少输入特征图的数量，接下来利用反卷积操作将特征图上采样到大小为128×128；然后设计3个与超分辨编码器相同的residualblock对特征进行解码；最后用一个卷积层来输出超分辨的结果。