图像恢复是一个长期存在的低层次视觉问题，旨在从低质量图像（例如，缩小比例、噪声和压缩图像）中恢复高质量图像。尽管当前最先进的图像恢复方法主要基于卷积神经网络，但很少有人尝试使用在高层次视觉任务中表现出色的Transformer模型。本文提出了一种基于Swin Transformer的强大的基线模型——SwinIR，用于图像恢复。SwinIR由三部分组成：浅层特征提取、深层特征提取和高质量图像重建。特别是，深层特征提取模块由多个残差Swin Transformer块（RSTB）构成，每个RSTB包含若干个Swin Transformer层以及一个残差连接。我们在三个代表性任务上进行了实验：图像超分辨率（包括经典、轻量级和真实世界图像超分辨率）、图像去噪（包括灰度和彩色图像去噪）以及JPEG压缩伪影减少。实验结果表明，SwinIR在不同任务上的性能优于现有最先进方法高达0.14~0.45 dB，同时其参数总量可以减少多达67%。