一、UNet v2(2023)
提出的SDI模块,通过将高级特征的语义信息与低级特征的细粒度信息通过哈达马乘积相结合,增强每级特征图。
经过实测,使用这种解码结构,对小目标的提升较大。
有待尝试:多层次特征融合(SDI)结合PConv、DualConv、GSConv
二、GCAfusion: 内容引导注意力特征融合(2024TIP)
原论文是关于图像去雾的,其中提出的GCA模块可用于各种模型的高、低特征融合。核心部分是计算特征调制的空间权重:编码器部分的低层特征和相应的高层特征被送入CGA计算权重,然后通过加权求和的方法进行组合。通过跳跃连接添加输入特征,以减轻梯度消失问题并简化学习过程。最后,融合后的特征通过 1×1 卷积层进行投影,得到最终特征。