(CVPR 2025)卷积网络复活！港大最新改进版CNN涨点起飞！

有人说现在研究CNN已经没啥意义了？不如先看看今年CVPR'25上超多的CNN成果。这其中，港大最近重磅推出了新型纯CNN架构OverLoCK，性能连超传统CNN、Transformer与Mamba！实力证明CNN依然是2025年发文的热门选择。

而且，CNN在图像、视频等领域仍然是主流，我们在轻量化和结构创新上的改进也在持续推进CNN的效率与性能，现在的CNN在一些新兴的应用场景（比如元宇宙）中也有了进一步拓展，工业需求持续走高。

因此，对CNN感兴趣或有需求的同学不要犹豫，抓紧时间搞创新。目前围绕CNN的创新主要有模型结构优化和跨技术结合（比如LSTM），其中结合小波变换相当火。我这边整理了56篇CNN前沿论文，包含以上主流思路，基本都有代码，需要参考的自取~

全部论文+开源代码需要的同学看文末

CNN自身改进

OverLoCK: An Overview-first-Look-Closely-next ConvNet with Context-Mixing Dynamic Kernels

方法：论文提出了一种名为OverLoCK的新型CNN架构，通过模仿人类视觉的“概览-细看”机制，引入三个子网络协同工作，并设计了上下文混合动态卷积，有效建模长距离依赖关系，同时保留局部归纳偏差，显著提升了CNN的性能和效率。

创新点：

• 提出OverLoCK架构，包含Base-Net、Overview-Net和Focus-Net三个子网络，模拟人类视觉的“概览-细看”机制。

• 设计ContMix动态卷积，能够建模长距离依赖，同时保留局部特征。

• 在图像分类、目标检测和语义分割任务上显著提升性能，且计算效率更高。

+小波变换

WeConvene: Learned Image Compression with Wavelet-Domain Convolution and Entropy Model

方法：论文提出了一种基于CNN和小波变换的学习型图像压缩方法。通过在卷积层和熵编码中引入小波变换，减少了频率域冗余，显著提升了压缩性能，超越了现有方法和H.266/VVC标准。

创新点：

• 提出 WeConv 模块，将小波变换嵌入 CNN 卷积层，减少频率域冗余，提高信号稀疏性。

• 设计 WeChARM 模块，在熵编码中先编码低频小波系数，再编码高频系数，提升编码效率。

• 结合 WeConv 和 WeChARM 的框架在压缩性能上超越了现有方法和 H.266/VVC 标准。

+LSTM

Estimation of Muscle Forces of Lower Limbs Based on CNN–LSTMNeuralNetworkandWearable Sensor System

方法：论文提出了一种基于CNN-LSTM神经网络的下肢肌肉力量估计方法。通过可穿戴传感器收集步行时的关节角度和角速度数据，输入CNN-LSTM模型进行肌肉力量估计，表现出较高的估计精度和鲁棒性。

创新点：

• 提出基于CNN-LSTM的肌肉力量估计新方法，结合CNN特征提取和LSTM时间序列处理能力。

• 开发可穿戴传感器系统，用于采集步行时的关节数据，方便获取输入数据。

• 实验验证该方法在不同步行速度下表现良好，具有较高的准确性和泛化能力。

+Transformer

BRAU-Net++:U-Shaped Hybrid CNN-Transformer Network for Medical Image Segmentation

方法：本文提出了一种新型的BRAU-Net++网络，结合了CNN和Transformer的优点，用于医学图像分割。它通过双层路由注意力机制有效捕捉长程依赖，同时利用通道-空间注意力优化跳跃连接，减少空间信息丢失。

创新点：

• 提出BRAU-Net++，结合CNN和Transformer，采用双层路由注意力机制，有效学习全局语义信息并降低计算复杂度。

• 重新设计跳跃连接，加入通道-空间注意力，减少空间信息丢失，增强多尺度特征交互。

• 在多个医学图像数据集上验证，性能优于现有方法，表现出良好的泛化能力。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“222”获取全部方案+开源代码

码字不易，欢迎大家点赞评论收藏