Referenzbasierte Bildauflösung (RefSR) zielt darauf ab, Hilfsreferenzbilder (Ref) zu nutzen, um Niedrigauflösungsbilder (LR) aufzulösen. Kürzlich hat RefSR große Aufmerksamkeit erhalten, da es eine alternative Möglichkeit bietet, die Einzelbild-Aufklärung (Single Image Super-Resolution, SISR) zu übertreffen. Dennoch birgt das Lösen des RefSR-Problems zwei wesentliche Herausforderungen: (i) Es ist schwierig, die Korrespondenz zwischen LR- und Ref-Bildern herzustellen, wenn diese erheblich voneinander abweichen; (ii) Die Übertragung der relevanten Textur von Ref-Bildern zur Ergänzung der Details in LR-Bildern stellt eine große Herausforderung dar. Um diese Probleme des RefSR zu lösen, schlägt dieser Artikel einen deformierbaren Attention-Transformer vor, den Deformable Attention Transformer for Super-Resolution (DATSR), mit mehreren Skalen. Jede Skala besteht aus einem Texturmerkmalsencoder-Modul (Texture Feature Encoder, TFE), einem referenzbasierten deformierbaren Attention-Modul (Reference-based Deformable Attention, RDA) und einem Residual-Merkmalsaggregationsmodul (Residual Feature Aggregation, RFA). Insbesondere extrahiert der TFE zunächst für Bildtransformationen (z.B. Helligkeit) unempfindliche Merkmale sowohl aus LR- als auch aus Ref-Bildern. Anschließend kann das RDA mehrere relevante Texturen nutzen, um zusätzliche Informationen für die LR-Merkmale zu ergänzen. Schließlich aggregiert das RFA die LR-Merkmale und die relevanten Texturen, um ein visuell ansprechenderes Ergebnis zu erzielen. Ausführliche Experimente zeigen quantitativ und qualitativ, dass unser DATSR auf Benchmark-Datensätzen den aktuellen Stand der Technik erreicht.