深度学习好用模块分享1——差分卷积

TIP《Chen 等 - 2024 - DEA-Net Single Image Dehazing Based on Detail-Enhanced Convolution and Content-Guided Attention.pdf》

其中的DEConV模块，即细节增强卷积（大类属于差分卷积，Difference Convolution, DC）

在文末再找一个差分卷积，凑六个，换个名字，any direction detail convolution，然后想一下再论文里面怎么说，显得高大上一些

基于角度差异的像素差分卷积（APDC）
源自《PiDiNet:Pixel Difference Networks for Efficient Edge Detection》

在二维图像处理中，低频信息和高频信息主要是从信号处理的角度来定义的，它们通常与图像的空间变化率（即像素值变化的快慢）有关。具体来说：

1. 低频信息（Low-Frequency Information）

   • 指图像中变化缓慢的部分，即像素值在空间上变化较小的区域。
   • 主要包含图像的整体轮廓、光照、颜色分布、平滑区域等。
   • 例如，在一张人脸照片中，皮肤的大面积颜色分布属于低频信息。
   • 在频域（如傅里叶变换后）表现为靠近中心的低频分量。

2. 高频信息（High-Frequency Information）

   • 指图像中变化剧烈的部分，即像素值在空间上快速变化的区域。
   • 主要包含边缘、细节、纹理、噪声等。
   • 例如，在一张人脸照片中，眼睛、嘴巴的边缘和发丝的细节属于高频信息。
   • 在频域中，远离中心的频率分量代表高频信息。

普通卷积关注低频信息，差分卷积关注高频信息

**差分卷积优点：**
1、光照不变性
2、细粒度更强
==3、边缘信息，纹理特征==

可以换个名字，再找一个差分卷积，组成六个，
叫==any direction detail convolution==

DEConv由以下五个并行的卷积层组成：

1. Vanilla Convolution (VC)：普通卷积层，用于提取低频信息（如光照、颜色分布）。

2. Central Difference Convolution (CDC)：中心差异卷积，计算中心像素与邻域像素的差异。

3. Angular Difference Convolution (ADC)：角度差异卷积，捕捉不同角度的梯度变化。

4. Horizontal Difference Convolution (HDC)：水平差异卷积，类似Sobel水平算子，提取水平梯度。