- 博客(1092)
- 资源 (13)
- 收藏
- 关注
RSS订阅
原创 【图像增强（Image Enhancement ）】专栏的相关说明，包含适配人群、专栏简介、专栏亮点、阅读方法、定价理由、品质承诺、关于更新、关于答疑、文章目录、与我联系等（持续更新中...）
专栏内涉及的算法都是基于深度学习的图像增强算法；收录的文章基本上是基于Pytorch框架实现的，部分基于Tensorflow；预计完成100篇论文，并持续更新；专栏内文章主要为两部分：【论文精读】与【论文复现】论文精读：读懂论文，总结提炼，聚焦核心内容，不只是全文翻译论文复现：跑通流程，源码解析，提升代码能力，得到去噪结果以及指标计算综合而言，从大到小拆解模型结构，从小到大实现模型搭建。实现论文与源码的统一，深入理解论文行文逻辑与代码实现逻辑，融汇贯通二者思想，并学以致用。
2025-09-01 15:56:57
3514
6
原创 【图像去噪（Image Denoising）】关于【图像去噪】专栏的相关说明，包含适配人群、专栏简介、专栏亮点、阅读方法、定价理由、品质承诺、关于更新、去噪概述、文章目录、资料汇总、问题汇总（更新中）
你是否在全网苦寻【图像去噪（ImageDenoising）】的相关资料？你的目标是否是看懂【图像去噪（ImageDenoising）】的相关论文，复现代码，跑出结果，并试图创新？你是否需要发表【图像去噪（ImageDenoising）】的相关论文毕业？你是否需要做【图像去噪（ImageDenoising）】的相关项目，开发软件，研究算法，获得专利或者软著？只要是与【图像去噪（ImageDenoising）】有关的问题，那么请继续往下看。
2025-01-14 18:19:51
18679
43
原创 【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等
本专栏研究领域为【超分辨率重建】，涵盖图像超分、视频超分，实时超分，4K修复等方面。主要内容包括主流算法模型的论文精读、论文复现、毕业设计、涨点手段、调参技巧、论文写作、应用落地等方面。算法模型从SRCNN开始更新至今，一般是一篇论文精读对应一篇论文复现。论文精读详解理论，归化繁为简，归纳核心，积累词句，培养阅读论文和论文写作能力。论文复现依托Pytorch代码，实现完整的模型训练流程，总结调参方法，记录碰到的bug，论文插图可视化，培养读写代码能力、做实验的能力、以及应用落地能力。
2024-03-25 15:50:42
32073
54
原创 【图像拼接（Image Stitching）】关于【图像拼接论文源码精读】专栏的相关说明，包含专栏内文章结构说明、源码阅读顺序、培养代码能力、如何创新等。总之，【图像拼接源码】复现看这一篇就够了！
本文是【图像拼接论文源码精读】专栏的相关说明，将一些共性的东西在这里做统一说明，就不在每一篇文章中重复了。【图像拼接（Image Stitching）】关于【图像拼接论文精读】专栏的相关说明，包含专栏使用说明、创新思路分享等（不定期更新）。先看该专栏说明，然后进入专栏阅读相关文章，建议同步订阅，同步阅读。本专栏针对图像拼接领域公布源码的文章进行源码解读，没有源码的文章在有源码的文章全部更新完毕后尝试复现。
2024-01-01 10:01:56
27453
17
原创 【图像拼接（Image Stitching）】关于【图像拼接论文精读】专栏的相关说明，包含专栏使用方法、阅读顺序、创新思路、文章汇总、源码汇总、数据集汇总等。总之，【图像拼接论文相关】看这一篇就够了
为什么会有这篇文章？因为专栏简介里写不下太多东西，只能通过这篇文章和大家交流，算是一个专栏阅读指南吧。说点心里话本来吧，我只想用CSDN来记录自己学习【图像拼接】领域论文的过程，对每篇文章有个细致的理解，方便自己反复查阅。设置为付费也是因为涉及论文和本人其他项目需要，防止查重和其他问题，所以价格最开始设置的是专栏付费价格里最高的。起初，确实没有人看，一切也都平淡地度过着。
2023-11-30 15:36:46
41333
29
原创 TGRS 2026 即插即用 | Transformer篇 | LCGA：新型曲率引导自注意力！结构先验助力局部特征捕捉，优于传统自注意力！
本文提出了一种基于曲率引导的注意力模块LCGA，用于遥感图像超分辨率任务。该模块通过计算局部窗口内特征的二阶梯度曲率，生成结构先验权重来引导注意力机制，强化边缘和纹理区域的关注度。LCGA采用窗口划分降低计算复杂度，配合门控机制平衡原始特征与曲率增强特征，在保持即插即用特性的同时提升重建质量。实验表明，该方法能有效减少锯齿伪影，在多项指标上优于传统注意力机制，且计算成本较低。模块可直接嵌入现有视觉模型中，适用于需要增强结构细节的各种视觉任务。
2026-03-21 11:32:17
4
原创 CVPR 2026 即插即用 | Transformer篇 | GSRA：自注意力创新！几何校正空间一致性，语义强化高层关联，特征更精准！
PhaSR模块通过几何-语义校正注意力（GSRA）实现阴影去除，采用双模态专属投影设计，将3D几何特征与1024D语义特征映射到统一维度。GSRA模块通过可学习权重动态调整模态增强强度，支持基础版和拼接版两种融合模式，实现结构+语义双重校正。该模块可嵌入各类视觉模型，在阴影去除任务中达到SOTA性能，尤其在复杂光照条件下表现优异。模块代码支持几何和语义特征的双KV增强与注意力校正，适用于对几何-语义特征敏感的双模态融合任务。
2026-03-21 11:31:51
16
原创 CVPR 2026 即插即用 | Transformer篇 | LFSB：差分双流注意力，双特征交互融合，替换传统自注意力涨点！
本文提出了一种新型层融合-分离模块(LFSB)，用于单幅图像反射分离任务。该模块通过差分双流注意力架构实现特征融合与分离，包含自注意力和交叉注意力分支，利用可学习权重优化特征交互。LFSB采用窗口化分区设计降低计算复杂度，并引入门控融合机制保持双流特征独立性。实验表明，该模块能有效提升反射分离性能，在合成和真实数据集上均取得最优效果。核心创新点包括：1)差分双流注意力机制；2)窗口化分区交互；3)融合-分离双流设计；4)可学习残差加权。代码已开源，适用于需要双输入特征交互的视觉任务。
2026-03-20 08:36:03
9
原创 AAAI 2026 Oral 即插即用 | Transformer篇 | WPO：突破性创新，Transformer新范式，波动方程调制，比自注意力更轻更准！
本文提出WaveFormer架构及其核心组件Wave Propagation Operator (WPO)，通过将物理波动方程引入深度学习实现频域特征调制。WPO采用DCT/IDCT变换在频域进行波动方程解耦计算，通过可学习参数波速c和衰减系数α动态调节特征传播，在保持高频细节的同时捕捉全局依赖。相比传统注意力机制，WPO以更低计算量（O(N log N)）实现更优性能，在图像分类、检测和分割任务中展现出竞争力。实验表明，该模块能有效平衡全局结构与局部细节，为视觉模型提供物理启发的建模偏差。
2026-03-20 08:35:19
8
原创 CVPR 2026 即插即用 | 卷积篇 | DEGConv：方向引导门控卷积，动态掩码强化结构区域，边缘/纹理/小目标结构全捕捉！
本文提出了一种新型方向引导边缘门控卷积模块DEGConv，用于增强视觉任务中的方向依赖与边缘细节。该模块通过2×2补丁划分扩展感受野，采用水平(1×k)和垂直(k×1)双分支深度卷积捕捉方向特征，并利用边缘门控动态调制输出。相比传统卷积，DEGConv能以1/4计算成本实现大核卷积效果，同时强化边缘区域特征。实验表明，该模块在裂缝分割等任务中显著提升性能，且具有即插即用特性，可直接替换传统卷积层。
2026-03-19 09:35:25
380
原创 ICLR 2026 即插即用 | Transformer篇 | MHLA：多头线性注意力，比Transformer的二次注意力更轻更准！
摘要：MHLA（多头线性注意力）模块提出了一种高效捕捉全局-局部依赖的线性注意力机制。该模块通过块距离卷积生成固定空间权重，结合多头并行处理，在保持线性复杂度(O(N))的同时恢复传统自注意力的表达能力。核心创新包括：1)块距离引导的空间依赖捕捉；2)线性复杂度注意力设计；3)多头并行与通道适配；4)残差融合机制。实验表明，MHLA在图像分类、NLP和图像生成等任务中性能优于传统线性注意力，计算效率比标准自注意力提升41%，在ImageNet分类任务上实现3.6%的准确率提升。模块可灵活替换Transfor
2026-03-19 09:35:03
106
原创 CVPR 2026 即插即用 | 注意力篇 | PFG：多尺度大核+像素级频率门控，特征显著增强，精准适配边缘纹理场景
本文提出了一种基于频率引导的轻量级外围门控模块PFG，用于高效时空预测学习。该模块通过多尺度大核分解卷积（1×K + K×1）捕捉外围空间依赖，同时利用固定频率滤波器提取高频线索，动态融合不同尺度的外围特征。核心创新包括：外围聚焦的多尺度空间增强、频率引导的动态融合机制、双阶段归一化协同等。实验表明，PFGNet在多个基准数据集上达到SOTA性能，同时保持较低计算复杂度。该模块可直接嵌入各类视觉模型，适用于需要强化空间-通道协同表达的轻量级任务。
2026-03-18 08:17:56
250
原创 CVPR 2026 即插即用 | Transformer篇 | BinaryAttention：自注意力的高效创新！1位二值化，性能保持的同时推理速度快2倍！
BinaryAttention是一种高效的1位QK注意力模块，通过二值化查询和键来降低计算复杂度。该模块采用多模式量化架构，将Q/K量化为±1二值，存储成本降低8倍，计算简化为加减运算。引入位置偏置补偿机制，保留空间关联信息。模块兼容标准自注意力接口，可直接替换现有注意力层，实现即插即用。实验表明，BinaryAttention在视觉和扩散Transformer中匹配甚至超越全精度注意力性能，推理速度比FlashAttention2快2倍以上，内存占用和延迟显著降低，适用于轻量化部署和高分辨率处理任务。
2026-03-18 08:17:07
256
原创 AAAI 2026 即插即用 | Transformer篇 | DHOGSA：新型自注意力！HOG先验引导特征精准聚焦边缘，PSNR猛涨！
本文介绍了一种基于HOG特征的动态自注意力模块DHOGSA，用于图像恢复任务。该模块通过提取方向梯度直方图(HOG)作为结构先验，引导注意力机制聚焦图像边缘和纹理特征。核心创新包括：1) HOG感知的动态特征引导，将梯度信息融入注意力计算；2) 双路径注意力互补设计，同时捕捉全局和局部依赖；3) 梯度驱动的动态排序机制，强化关键结构特征。实验表明，该方法在多种图像退化场景下优于现有技术，且具有良好的泛化性。模块代码支持直接嵌入现有视觉模型，计算成本适中，适用于需要增强结构特征的任务。
2026-03-17 12:04:10
24
原创 TPAMI 2026 即插即用 | Transformer篇 | ASSA：自适应稀疏自注意力，现有自注意力的完美替代方案！
摘要：ASSANet提出了一种自适应稀疏自注意力模块(ASSA)，通过动态深度卷积增强局部特征，并采用6种可选的稀疏策略(如ReLU、Top-K等)自适应筛选关键注意力关联。该模块支持训练时全局注意力与测试时局部窗口(TLC)的高效推理模式，在超分辨率等视觉任务中实现SOTA性能，同时保持轻量级设计。实验表明，ASSA在精度和效率上均优于传统自注意力机制，可灵活嵌入各类视觉模型。
2026-03-17 12:03:45
246
原创 AAAI 2026 即插即用 | 注意力篇 | MECM：门控MoE+专家记忆库，全局模式+空间细化，精准筛选特征！
本文提出了一种深度记忆解耦网络（DMDNet）中的关键模块——记忆专家补偿模块（MECM），用于解决图像反射分离任务中的特征混淆问题。该模块创新性地将门控混合专家（MoE）与双流记忆网络结合，通过专家多样化、稀疏计算和动态记忆库设计实现高效特征补偿。MECM采用全局-空间双流架构，利用历史知识指导特征解耦，在白天和夜间场景均取得SOTA效果。实验表明，当设置4个专家并激活Top2时，该模块在计算效率和性能间达到最佳平衡。模块可端到端训练，适用于高分辨率图像处理任务。
2026-03-16 08:37:25
131
原创 【即插即用模块】Transformer篇 | AAAI 2026 | Circulant Attention：全新ViT自注意力范式，复杂度从O(N²) 降至O(NlogN)！
本文提出了一种基于频域优化的循环注意力模块（Circulant Attention），通过离散傅里叶变换（DFT）将传统自注意力中的矩阵乘法转化为频域元素乘法，显著降低了计算复杂度。该模块采用复数线性层适配频域特征，并引入门控调制机制增强表达能力，在保持全局依赖捕捉能力的同时，将复杂度从O(N²)降至O(NlogN)。实验表明，该模块在多种视觉任务中均能提升模型性能，且计算效率更高。适用于需要高效全局注意力的视觉Transformer架构，可作为传统自注意力的替代方案。
2026-03-16 08:36:31
20
原创 【即插即用模块】Transformer篇 | MICCAI 2025 | ReLULA：Q/K双ReLU线性注意力，既轻又准！
本文介绍了一种基于线性注意力的多实例学习模块（Lin-MIL），适用于高分辨率视觉任务。该模块通过转置计算顺序和使用ReLU激活，将计算复杂度从O(n²d)降至O(nd²)，同时提升特征判别性。核心创新包括Q/K双ReLU激活、可学习温度系数和数值稳定归一化。实验表明，该模块在轻量化视觉任务中优于传统线性注意力和Mamba架构。代码实现了模块化矩阵乘法，支持即插即用替换ViT自注意力层。该模块特别适合计算病理学等需要处理大量图像补丁的任务。
2026-02-09 17:57:03
72
原创 【即插即用模块】卷积篇 | TGRS 2025 | HLKConv：小核+空洞=大核，感受野一致，但更轻更准！
本文介绍了分层大核卷积模块HLKConv，该模块通过动态大核+空洞卷积实现高效感受野扩展，将超大核卷积分解为小核+空洞卷积（如53×53核用17×17+dilation=3实现），计算量仅为普通大核的1/10。模块采用双分支设计：基础卷积分支捕捉局部细节，大核空洞分支捕捉长距离关联，通过1×1卷积融合。实验表明HLKConv在红外小目标检测中优于传统大核卷积，适用于高分辨率视觉任务。代码实现了不同核尺寸的配置，输入输出特征维度保持不变，计算效率显著提升。
2026-02-09 17:55:59
181
原创 【即插即用模块】Transformer篇 | ArXiv 2025 | MoHA：多头注意力作为多头注意力的混合专家，适配各种Transformer架构，缝合即涨点！
本文提出了一种新型混合头注意力模块（MoHA），通过将多头自注意力与混合专家（MoE）机制相结合，在保持或提升模型性能的同时降低计算成本。MoHA采用共享头与路由头的混合架构：共享头捕捉全局通用特征，路由头基于输入动态选择以适配特定特征。核心创新包括连续相对位置偏置（CPB）增强位置敏感性、动态路由机制优化资源分配，以及负载均衡损失避免头冗余。实验表明，MoHA在ViT、DiT和LLM等Transformer类模型中仅需50%-90%的注意力头即可超越传统MHSA性能。该模块可直接替换标准MHSA，适用于通
2026-02-08 18:15:26
55
原创 【即插即用模块】Transformer篇 | ICASSP 2025 | ACFM：3D卷积+双分支，自注意力创新改进，涨点起飞！
CAF-YOLO提出了一种用于生物医学图像多尺度病变检测的创新框架，其核心是注意力与卷积融合模块（ACFM）。该模块通过3D卷积处理2D特征，结合局部卷积分支（捕捉细节）和全局自注意力分支（建模长程依赖），有效解决了传统方法对微小病变检测精度不足的问题。实验表明，ACFM能显著提升检测性能，特别适用于高分辨率视觉任务。模块采用轻量化设计，可直接替换ViT自注意力层，代码开源并提供了详细维度注释。
2026-02-08 18:15:00
55
原创 【即插即用模块】Transformer篇 | ICASSP 2025 | MSNN：前馈网络创新！3种感受野全覆盖，告别单尺度局限，涨点起飞！
CAF-YOLO提出了一种新型多尺度神经网络模块MSNN，用于提升生物医学图像中的病变检测性能。该模块创新性地结合了3D卷积和不同dilation率的2D空洞卷积，通过多分支结构协同捕捉局部细节、中程关联和长距离上下文特征。元素级乘法融合机制动态筛选有效特征，在保持轻量化的同时显著提升多尺度信息聚合能力。实验表明，MSNN能有效改善微小病变的检测精度，适用于高分辨率视觉任务，可作为即插即用模块替换传统ViT前馈网络。代码实现采用3D-2D混合卷积设计，输入输出维度保持一致，便于集成到现有模型中。
2026-02-06 17:58:16
78
原创 【即插即用模块】特征融合篇 | TGRS 2025 | STFFM：双阶段注意力渐进式特征融合，全场景通用适配，涨点明显！
本文提出了一种全局时空红外小目标检测框架GST-Net，其核心创新点是时空特征融合模块(STFFM)。该模块采用双阶段注意力增强机制，通过通道和空间注意力联合筛选有效特征，实现渐进式时空融合。STFFM具有通用性强、即插即用的特点，可适配多种特征融合场景。实验表明，该模块能显著提升检测性能，在复杂地面场景中的红外小目标检测任务上表现优异。模块代码已开源，支持双输入特征融合，可灵活嵌入现有网络架构。
2026-02-06 17:57:52
84
原创 【即插即用模块】注意力篇 | TGRS 2025 | SCPP：独家复现！三特征多尺度注意力融合，涨点必备！
摘要：SCPP（Scale-aware Pyramid Pooling）是一种创新的多尺度特征融合模块，专为U型网络瓶颈设计。它通过局部特征提取（1×1卷积）、多尺度膨胀卷积（1/3/5膨胀率分支）和全局特征聚合（全局平均池化）三重结构，结合SE通道注意力机制和自适应加权融合，显著提升特征表达能力。实验表明，SCPP能有效解决边缘模糊和错误检测问题，在遥感图像分割等任务中表现优异。该模块支持即插即用，适用于各类需要多尺度特征增强的视觉任务。
2026-02-05 21:02:13
851
原创 【即插即用模块】注意力篇 | TGRS 2025 | SASAM：共享注意力+多尺度特征增强并融合，轻量的同时涨点明显！
本文介绍了一种高效自适应Mamba网络（EAMNet）中的共享自适应空间注意力模块（SASAM），用于红外小目标检测。SASAM采用共享参数和多尺度同步增强设计，通过共享7×7膨胀卷积生成注意力权重，显著降低计算成本。该模块包含自适应加权池化功能，可平衡全局统计与局部峰值特征，并利用膨胀卷积扩大感受野至19×19。SASAM可一次性处理5个多尺度特征，适配FPN、PANet等架构，实验证明能有效提升检测性能。模块代码简洁，支持即插即用，适用于各类多尺度视觉任务。
2026-02-05 20:58:56
185
原创 【即插即用模块】Transformer篇 | ArXiv 2025 | MeSA：元信息引导自注意力，细节捕捉 + 长距离依赖，既轻又准！
本文提出了一种基于元自注意力(MeSA)的弱光RAW图像增强模块。MeSA创新性地将元信息通过MetaFuse模块注入Q向量，实现任务自适应调制；同时结合多尺度局部增强(LEB)捕捉细节特征，在轻量化架构中平衡全局依赖与局部细节。实验表明该模块在PSNR和SSIM指标上分别提升0.04dB和0.002，计算效率优于传统注意力机制。代码采用PyTorch实现，支持即插即用替换ViT自注意力模块，适用于需要任务适配与细节增强的视觉任务。
2026-02-02 20:21:21
68
原创 【即插即用模块】注意力篇 | TGRS 2025 | MFA聚特征+HPDown保细节+HFF融层级，三大模块各司其职，性能翻倍！
本文介绍了MTMLNet网络中的三大核心模块：MFA（多阶段特征聚合）、HPDown（混合池化下采样）和HFF（分层特征融合）。MFA通过双尺度深度卷积和注意力机制增强特征提取能力；HPDown结合平均池化和最大池化，有效保留下采样过程中的特征信息；HFF采用三注意力机制实现自适应特征融合。这三个模块协同工作，在红外小目标检测与分割任务中取得了SOTA效果。实验表明，各模块在特征提取、信息保留和融合方面均优于传统方法，可灵活应用于各类视觉任务中。
2026-02-02 20:19:51
202
原创 【即插即用模块】Transformer篇 | TGRS 2025 | CWMSA：压缩窗口自注意力，替换传统W-MSA准确率提升25%！
本文提出了一种增强空间频率协同网络(ESFS)用于多光谱和高光谱图像融合。核心创新是压缩窗口多头自注意力模块(CW-MSA)，通过特征压缩降低计算复杂度，同时保留局部依赖捕捉能力。CW-MSA采用跨尺度注意力机制，Query来自原始特征，Key/Value来自压缩特征，将计算复杂度从O(N²)降至O(N×N')。实验表明，该方法在CAVE×4数据集上性能优于现有SOTA方法，计算量减少30%，同时保持融合质量。消融研究验证了CW-MSA在平衡计算效率和特征表达能力方面的有效性。该模块可直接替代标准窗口注意力
2026-01-31 17:08:16
233
原创 【即插即用模块】Transformer篇 | TGRS 2025 | SFDM：空间残差补细节+频谱增强提结构，双域协同强化特征！
本文提出了一种增强的空间频率协同网络（ESFS），用于多光谱和高光谱图像融合。核心创新是选择性频率分解模块（SFDM），通过频域-空域双路径协同增强特征表示。SFDM采用幅值-相位分离优化、频率注意力筛选和轻量化设计，显著提升了融合性能。实验表明，ESFS在定性和定量评估上均优于现有方法，同时保持了较低的计算复杂度。消融研究验证了SFDM及其FreqMLP子模块对频谱保真度的重要贡献。该模块可灵活嵌入Transformer架构，适用于需要频域-空域协同的视觉任务。
2026-01-31 17:07:33
102
原创 【即插即用模块】注意力篇 | TGRS 2025 | DHPF：动态高通滤波，精准抑制低频，保留高频特征，特征融合和增强的不二之选！
本文提出了一种动态高通滤波器模块（DHPF），用于增强红外小目标检测任务中的高频细节特征。该模块通过频域能量统计自适应确定截止频率，精准抑制低频背景信息，保留关键高频目标特征。DHPF创新性地实现了能量驱动的动态频域滤波，相比传统固定滤波器具有更强的泛化性。实验表明，该模块能有效提升小目标检测性能，在SIRST数据集上达到SOTA效果。模块结构轻量，可直接集成到UNet等解码器中，适用于频域敏感的视觉任务。
2026-01-29 20:25:31
235
原创 【即插即用模块】注意力篇 | TGRS 2025 | CDFIM：通道+空间多尺度注意力，双模态特征融合增强，性能翻倍！
C2DFF-Net提出了一种轻量级跨模态特征融合模块CDFIM，通过模态差异感知和多尺度深度滤波增强双模态互补信息。该模块采用通道-空间注意力协同机制，以极低计算成本（仅增加0.26M参数）提升多模态目标检测性能，在三个遥感数据集上平均提升mAP约1.7%。适用于无人机等边缘设备的实时检测任务，为跨模态融合提供高效解决方案。
2026-01-29 20:24:48
463
原创 【即插即用模块】卷积篇 | CVPR 2024 | FADC：频率自适应卷积，高频区小膨胀 + 低频区大膨胀，细节与全局双捕获！
FADC模块通过频率自适应策略改进扩张卷积，包含三个核心组件：AdaDR（动态调整膨胀率）、AdaKern（分解高低频核）和FreqSelect（频率筛选）。该模块能根据输入特征的频率分布自适应调整卷积核和膨胀率，在语义分割等任务中显著提升性能，同时保持较低计算成本。实验表明，FADC能有效区分高低频区域，为高频细节分配较小膨胀率，低频区域使用较大膨胀率，从而兼顾局部细节与全局上下文。模块可直接替换传统卷积层，在多个基准数据集上实现1-2%的mIoU提升。
2026-01-28 17:59:58
73
原创 【即插即用模块】注意力篇 | TGRS 2025 | CGSA：频域分离+双向门控自注意力，双域双模态特征融合，显著降低特征冗余！
摘要：C2DFF-Net提出了一种轻量级跨模态差分特征融合网络，核心创新模块CGSA通过频域-空域协同增强实现双模态高效交互。该模块采用频域特征提取(CFE)突出结构差异，双模态独立自注意力(SAFF)保留域内特性，门控机制(AG)动态平衡模态贡献。实验表明，在DroneVehicle等数据集上mAP提升1.7%-6.6%，特征相关性降低30%，计算量仅增加5%。模块支持即插即用，适用于遥感、红外-可见光等跨域融合场景，代码已开源。
2026-01-28 17:58:31
96
原创 【即插即用模块】注意力篇 | IJCNN 2024 | MSB：多尺度卷积+三注意力，全局+局部感受野，特征全面增强！
本文提出了一种用于图像去雾任务的混合结构块MSB，由多尺度并行大卷积核模块(MSPLCK)和增强并行注意力模块(EPA)组成。MSPLCK通过"7×7+5×5+3×3"深度膨胀卷积并行处理，生成19×19、13×13、7×7三种感受野特征；EPA则整合了简单像素注意力、通道注意力和像素注意力三种并行注意力机制。该模块采用"先提取后筛选"的处理逻辑，在图像去雾任务中比基准模型PSNR提升了4个点，适用于尺度/区域敏感的视觉任务，可灵活嵌入CNN残差块、多尺度融合位置等场
2026-01-27 18:21:45
66
原创 【即插即用模块】Transformer篇 | AAAI 2024 | DF：动态频域滤波替代多头自注意力，ViT的效率和准确率同步提升！
文章摘要： 本文提出了一种基于FFT的动态滤波器模块(DF)，用于替代视觉Transformer中的自注意力机制。该模块通过输入特征全局均值生成动态权重，组合预定义复数滤波器实现频域特征调制。创新点包括：1)输入自适应频域处理；2)基础滤波器组合提高参数效率；3)尺寸自适应兼容不同分辨率。实验表明DF在保持精度的同时显著提升计算效率，尤其适合高分辨率图像处理。模块支持即插即用，可替代Transformer中的自注意力部分。代码已开源，提供详细实现注释和维度变化说明。
2026-01-27 18:21:18
58
原创 【即插即用模块】注意力篇 | TGRS 2025 | ERM：边缘引导 + 全局依赖 + 多频率感知，三模块协同融合并增强特征！
摘要：ISGLNet提出了一种用于红外小目标检测的新型网络架构，核心创新在于边缘细化模块(ERM)和多频感知模块(MFPM)。ERM采用固定权重Sobel算子实现稳定边缘检测，通过区域掩码生成上下文向量实现针对性特征增强，结合全局-频率-局部协同优化机制。该模块适用于各类需要强化边缘与细节的视觉任务，可嵌入UNet跳跃连接处。实验表明，ERM能显著提升目标边界分割精度，在NUDT-SIRST和IRSTD-1k数据集上分别使IoU指标提升2.37%和1.49%。模块采用四阶段处理流程：融合增强→边缘检测→上下
2026-01-26 16:45:34
570
原创 【即插即用模块】注意力篇 | TGRS 2025 | CLGM：多尺度上下文 + 双注意力，感受野扩大实现SOTA！
本文提出了一种用于红外小目标检测的新型网络模块CLGM（Context-aware Local–Global Module）。该模块通过多尺度膨胀卷积（膨胀率1/3/5）协同提取局部细节与全局上下文信息，结合动态通道注意力和空间注意力机制，显著提升了模型对微弱目标的敏感性。实验表明，CLGM在NUDT-SIRST和IRSTD-1k数据集上分别带来5.86%和3.94%的IoU提升。该模块可灵活嵌入UNet等架构，适用于各类需要多尺度特征提取的视觉任务。核心创新包括自适应通道注意力机制和"通道-空间
2026-01-26 16:45:11
202
原创 【即插即用模块】注意力篇 | AAAI 2024 | DCMT：高低分辨率特征感知增强与融合，各类多尺度任务的涨点桥梁！
本文提出DCMT（双路径相关性匹配变换）模块，通过高低分辨率特征联动增强视觉任务性能。该模块包含高分辨率感知融合（ACM）和双路径匹配机制，能自适应聚合多尺度特征并筛选关键信息。实验表明，DCMT在超分等任务中显著提升PSNR指标，尤其适用于多尺度架构的视觉任务。模块支持即插即用，可无缝集成到UNet、金字塔等结构中，强化高低分辨率特征关联。代码实现包含动态特征变换、批量索引选择等优化，兼顾效率与性能。
2026-01-24 13:15:35
53
原创 【即插即用模块】注意力篇 | CVPR 2024 | PKI：多尺度+十字形大核卷积，全局局部感受野全覆盖，更轻更准！
本文提出了一种用于遥感目标检测的多尺度卷积模块PKI（Poly Kernel Inception Block），该模块通过并行使用3/5/7/9/11×11多尺度深度卷积核，有效捕捉不同尺度的特征。创新点包括：（1）采用轻量化瓶颈结构（1×1降维→多尺度卷积→1×1升维）控制参数量；（2）引入上下文锚点注意力（CAA）模块，通过全局池化和十字形卷积生成注意力权重，增强关键区域特征；（3）相比单一尺度卷积，PKI能同时处理局部细节和全局上下文，避免大核卷积的噪声问题。实验表明，该模块在遥感检测任务中实现了更高
2026-01-24 13:14:51
52
原创 【即插即用模块】注意力篇 | TGRS 2025 | CSDF：双注意力+密集多尺度，协同工作显著增强特征！
MF-Mamba模型提出了一种用于遥感图像语义分割的CSDF模块，该模块结合了通道-空间注意力机制和密集多尺度特征融合。CSDF模块通过三分支膨胀卷积（膨胀率[3,5,7]）提取多尺度特征，并采用双通道注意力机制（通道+空间）进行特征筛选优化。实验表明，在Vaihingen和WHDLD数据集上，该模块能有效提升分割性能（F1得分提高0.36%，mIoU提升0.55%），尤其改善了小目标检测效果。模块具有轻量化、高效的特点，可灵活嵌入各类视觉任务中。
2026-01-23 17:38:03
254
图像超分辨率WDSR的Pytorch复现代码，注释详细，含科研绘图，最优SSIM和PSNR的模型权重文件(x2、x3、x4)
2024-04-30
图像超分辨率RDN的Pytorch版本复现代码，注释详细，易读易复用，含最优SSIM和PSNR的模型权重文件(x2、x3、x4)
2024-04-28
Python实现多图像转换成连贯的PDF文件，支持所有图片格式，可预览、裁剪、自定义PDF布局、设置图像顺序、PDF质量选择等
2024-04-28
PPT绘制超分辨率论文中网络结构图，多种模板可供选择，包括3D立体效果的网络结构、2D平面结构以及相关组件的绘制
2024-08-12
一步到位绘制计算机视觉领域的局部放大图，对比各模型的可视化效果，可多图实时查看局部放大区域对比，点击鼠标即可同时裁剪并保存局部放大区域！
2025-05-16
图像拼接论文Seam-guided local alignment and stitching for large parallax images源码，跑通+注释
2025-02-27
图像超分专栏内文章单篇购买：图像超分论文复现：Pytorch实现WDSR！保姆级复现教程！代码注释详尽！完整代码和x2、x3、x4下的最优模型权重文件可以直接用！绘制论文曲线图！计算主流测试集的
2025-02-19
图像去噪Self2Self(S2S)的Pytorch复现代码，跑通代码，原理详解，代码实现、网络结构、论文公式相互对应，注释清晰
2024-12-06
图像去噪ECNDNet的Pytorch复现代码，包含计算PSNR/SSIM代码以及训练好的模型文件，可以直接使用，训练自己的数据
2024-09-19
图像去噪Noise2Void（N2V）的Pytorch复现代码，基于U-Net模型实现，原理详解，注释详细，包含训练好的模型
2024-09-10
图像去噪RNAN的Pytorch复现代码，包含计算PSNR/SSIM代码以及训练好的模型文件，可以直接使用，训练自己的数据集
2024-09-07
图像去噪Noise2Noise的Pytorch复现代码，基于REDNet30模型实现，N2N原理详解，注释详细，包含训练好的模型
2024-09-06
图像去噪IRCNN的Pytorch极简复现代码，包含计算PSNR/SSIM以及训练好的模型文件，可以直接使用，训练自己的数据集
2024-08-30
图像去噪MWCNN的Pytorch复现代码，包含计算PSNR/SSIM代码以及训练好的模型文件，可以直接使用，训练自己的数据集
2024-08-29
图像去噪MemNet的Pytorch复现代码，包含计算PSNR/SSIM代码以及训练好的模型文件，可以直接使用，训练自己的数据集
2024-08-25
图像去噪REDNet的Pytorch复现代码，包含计算PSNR/SSIM代码以及训练好的模型文件，可以直接使用，训练自己的数据集
2024-08-24
图像去噪RIDNet的Pytorch复现代码，包含计算PSNR/SSIM代码以及训练好的模型文件，可以直接用于真实图像去噪
2024-08-20
图像去噪DnCNN的Pytorch完复现代码，源码基础上添加DnCNN-B/CDnCNN-B、DnCNN-3的训练和测试复现
2024-08-12
图像超分辨率RCAN的Pytorch复现代码，科研绘图，指标计算，最优SSIM和PSNR的模型权重文件（x2、x3、x4、x8）
2024-05-22
图像超分辨率FSRCNN的最优SSIM和PSNR的模型权重文件(x2、x3、x4)
2024-05-16
图像超分辨率SRCNN的Pytorch复现代码，注释详细，含科研绘图，最优SSIM和PSNR的模型权重文件(x2、x3、x4)
2024-05-14
图像超分辨率ARCNN的Pytorch复现代码，注释详细，含科研绘图，各Quality下的最优SSIM和PSNR的模型权重文件
2024-05-13
图像超分辨率IDN的Pytorch复现代码，注释详细，含科研绘图，最优SSIM和PSNR的模型权重文件(x2、x3、x4)
2024-05-08
如何识别区分工件正反面？
2023-03-13
TA创建的收藏夹 TA关注的收藏夹
TA关注的人