掌握高效特征提取利器！“注意力+多尺度卷积”组合模型助你领跑科研前沿，冲击Nature！

在计算机视觉领域，如何从图像中高效提取多层次特征一直是研究核心。近年来，“多尺度卷积+注意力机制”的组合方案成为主流方向。

该方法通过并行使用多种卷积核（如1×1、3×3、5×5）捕捉从纹理到语义的多粒度信息，并借助注意力机制动态加权关键区域，抑制噪声干扰，显著提升识别精度与模型可解释性。

该架构已在图像分类、目标检测、医学影像分析等任务中广泛应用，尤其在小样本与复杂背景场景下表现出色。当前研究趋势也日益丰富，涵盖轻量化设计、多分支结构优化、与Transformer融合以及跨模态迁移等多个方向。

为助力科研突破，我精选36篇2024-2025年顶会论文，助你紧跟前沿动态，激发创新灵感。

点击【AI十八式】的主页，获取更多优质资源！

【论文1】DMFourLLIE: Dual-Stage and Multi-Branch Fourier Network for Low-Light Image Enhancement

研究方法

该论文提出了一种名为DMFourLLIE（Dual-Stage Multi-Branch Fourier Low-Light Image Enhancement）的框架，用于低光照图像增强。该方法在傅里叶频率域中，通过增强幅度和相位信息来提升图像亮度，同时保留图像结构和细节。具体方法如下：

• 傅里叶重建阶段：利用红外图像的结构信息增强相位信息，并采用亮度注意力机制精确控制幅度增强。

• 空间和纹理重建阶段：结合多尺度卷积分支和傅里叶卷积分支，有效恢复空间结构和纹理。

• 关键发现：直接替换低光照图像的幅度信息会导致亮度和纹理受损，而相位信息在图像结构和内容中占据重要地位。

创新点

• 双阶段多分支框架：首次引入红外和亮度先验信息，通过跨模态增强提升傅里叶域信息表达。

• 相位增强策略：利用红外图像引导相位结构信息，通过亮度注意力图精准增强幅度。

• 联合优化过程：通过双分支联合优化，保留复杂图像信息，克服先验方法中幅度和相位相互作用的局限。

实验结果

在多个数据集上进行了实验，结果表明DMFourLLIE在低光照图像增强中表现出色。例如，在LSRW-Huawei、LOL-v2-Real和LOL-v2-Synthesis数据集上，DMFourLLIE在PSNR、SSIM和LPIPS等指标上均优于当前最先进的方法。此外，通过对比其他方法（如FECNet和FourLLIE），DMFourLLIE在亮度增强和色彩保真度方面表现更优，同时有效抑制了噪声。

论文链接：DMFourLLIE: Dual-Stage and Multi-Branch Fourier Network for Low-Light Image Enhancement

【论文2】Multi-scale Attention Network for Single Image Super-Resolution

研究方法

该论文提出了一种多尺度注意力网络（MAN），用于单图像超分辨率（SISR）。MAN通过结合经典的多尺度机制和新兴的大核注意力（LKA）来提升卷积神经网络在超分辨率任务中的表现。具体方法如下：

• 多尺度大核注意力（MLKA）：通过多尺度和门控方案，获取不同粒度级别的丰富注意力图，从而聚合全局和局部信息，避免潜在的块状伪影。

• 门控空间注意力单元（GSAU）：整合门控机制和空间注意力，去除不必要的线性层，聚合信息丰富的空间上下文。

• 网络架构：MAN由浅层特征提取模块、基于多尺度注意力块（MAB）的深层特征提取模块和高质量图像重建模块组成。

创新点

• MLKA模块：结合大核注意力和多尺度机制，以较少的计算量获取长距离依赖关系，显著提升模型表现力。

• GSAU模块：通过空间注意力和门控机制简化前馈网络，减少参数和计算量，同时提升性能。

• 模型家族：通过堆叠不同数量的MLKA和GSAU，形成MAN家族，在轻量级和性能导向的SISR任务中实现性能和计算量的权衡。

实验结果

在多个数据集上进行了实验，结果表明MAN在单图像超分辨率任务中表现优异。例如，在Set5、Set14、BSD100和Urban100等数据集上，MAN在PSNR和SSIM指标上均与其他先进方法相当，甚至在某些情况下表现更好。此外，MAN在模型复杂度和性能之间取得了良好的平衡，尤其是在轻量级和性能导向的应用场景中。

论文链接：Multi-scale Attention Network for Single Image Super-Resolution

【总结】

多尺度卷积和注意力机制的结合在图像处理领域展现出了巨大的潜力。无论是用于低光照图像增强还是单图像超分辨率，这种结合都表现出了优异的性能和强大的鲁棒性。对于研究者来说，这种结合不仅提供了新的研究方向，还为发表创新性的论文提供了机会。未来，随着这种结合的进一步发展和优化，它有望在更多的图像处理任务中发挥重要作用。

点击【AI十八式】的主页，获取更多优质资源！