Afin de répondre aux besoins croissants en matière de super-résolution (SR) d’images de grande taille (2K–8K), les méthodes actuelles empruntent deux voies indépendantes : 1) accélérer les réseaux existants par routage guidé par le contenu, et 2) concevoir des réseaux de super-résolution améliorés grâce au raffinement des mixeurs de tokens. Bien que ces approches soient directes, elles souffrent d’insuffisances inévitables (par exemple, des chemins rigides ou un traitement non discriminant), qui limitent davantage l’amélioration du compromis qualité-complexité. Pour éliminer ces défauts, nous intégrons ces deux stratégies en proposant un mixeur guidé par le contenu (CAMixer), qui attribue des opérations de convolution aux contextes simples et des attentes déformables à fenêtres aux textures éparses. Plus précisément, le CAMixer utilise un prédicteur apprenable pour générer plusieurs bootstraps, comprenant des décalages pour la déformation des fenêtres, un masque pour classer les fenêtres, ainsi que des attentes convolutionnelles qui confèrent une propriété dynamique à la convolution. Ce mécanisme module automatiquement l’attention afin d’inclure davantage de textures utiles et améliore ainsi la capacité de représentation de la convolution. Nous introduisons également une perte de classification globale pour renforcer la précision des prédicteurs. En empilant simplement des CAMixers, nous obtenons CAMixerSR, qui atteint des performances supérieures sur la super-résolution d’images de grande taille, la super-résolution légère, ainsi que la super-résolution d’images omnidirectionnelles.