AImokuai的博客

《UniConvNet：一种兼顾感受野与高斯分布的通用卷积网络》 本文提出了一种新型卷积神经网络架构UniConvNet，通过创新性地设计感受野聚合器(RFA)模块，解决了传统方法在扩大感受野时破坏渐近高斯分布(AGD)的问题。该方法采用组合较小卷积核(7x7至11x11)的策略，在三个关键方面实现突破：1）通过三层RFA模块实现感受野的递归扩展；2）设计包含放大器和判别器的层算子(LO)单元，构建多层高斯分布；3）提出通道分头处理的递归金字塔结构，有效平衡计算成本与性能。实验表明，UniConvNet在图

本文提出了一种高效卷积注意力模块(ConvAttn)，通过共享大核卷积和动态小核卷积模拟自注意力机制，实现轻量级图像超分辨率。ConvAttn创新性地结合静态大核卷积捕获长距离依赖，以及输入依赖的动态卷积实现自适应加权，在保持Transformer强大表征能力的同时显著降低计算开销。该模块可即插即用于各类视觉任务，测试显示在256×256输入下仅需32通道即可高效运行。

论文提出了一种新型逆卷积算子（Depthwise Reverse Convolution）及其应用。通过求解带正则化的最小二乘优化问题，获得了非迭代闭式解，作为深度可分离卷积的数学逆运算。该方法构建了模块化逆卷积块，将逆卷积与层归一化、1x1卷积和GELU激活结合，类似Transformer结构，实现了空间建模和通道信息解耦。创新性地支持多通道特征域去模糊，突破了传统方法仅能在图像域操作的限制。实验表明，该模块可有效应用于图像去噪、超分辨率和去模糊等任务，性能优于传统卷积和转置卷积方法。