十小大
码龄9年
求更新 关注
提问 私信
  • 博客：15,781,675
    社区：2,528
    问答：86
    动态：6,695
    视频：1,523
    15,792,507
    总访问量
  • 1,060
    原创
  • 1,383
    排名
  • 19,313
    粉丝
  • 191
    关注
IP属地以运营商信息为准，境内显示到省（区、市），境外显示到国家（地区）
IP 属地：吉林省
目前就职： 吉林大学
加入CSDN时间： 2016-11-01

个人简介：985高校老师，博客之星2024Top65，底层视觉（超分、去噪、增强等）科研工作者。知乎同名，公众号：十小大的底层视觉工坊。

博客简介：

主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】

博客描述：
致力于帮助研究生看懂论文，复现代码，做好实验，写好论文，订阅专栏即可免费阅读全部文章，获取相关资料，免费答疑！
查看详细资料
个人成就
  • 领域专家: 人工智能技术领域
  • 获得9,974次点赞
  • 内容获得981次评论
  • 获得8,628次收藏
  • 代码片获得15,116次分享
  • 原力等级
    原力等级
    9
    原力分
    12,844
    本月获得
    295
创作历程
  • 34篇
    2026年
  • 609篇
    2025年
  • 301篇
    2024年
  • 61篇
    2023年
  • 23篇
    2022年
  • 32篇
    2021年
成就勋章
TA的专栏
  • Pytorch深度学习图像去噪算法100例（论文精读+复现）
    付费
    312篇
  • 超分辨率重建（理论+实战，科研+应用）
    付费
    306篇
  • 图像增强（Image Enhancement）
    付费
    85篇
  • 图像拼接论文源码精读
    付费
    12篇
  • 即插即用模块
    付费
    1篇
  • 卷积（Convolution）
    付费
    19篇
  • 注意力机制（Attention）
    付费
    67篇
  • Transformer
    付费
    72篇
  • Mamba
    付费
    5篇
  • 图像拼接论文精读
    付费
    144篇
  • Python小项目
    付费
    15篇
  • 图像恢复（Image Restoration）
    4篇
  • 图像去条带（Image Debanding）
  • 图像去摩尔纹（Image Demoireing）
  • 图像去模糊（Image Deblurring）
  • 图像去雪（Image Desnowing）
  • 图像去雨（Image Deraining）
    3篇
  • 激活函数
  • RWKV
  • 图像去雾（Image Dehazing）
    3篇
  • Python Web开发
  • 小技巧汇总专栏
    18篇
  • 扩散模型论文精读
    7篇
  • 常见网络的实现
    6篇
  • 每天一个Python小知识
    1篇
  • Pytorch论文相关代码
    1篇
  • Pytorch小知识
    2篇
  • 报错汇总专栏
    1篇
  • 环境配置
    1篇

TA关注的专栏 28

TA关注的收藏夹 0

TA关注的社区 18

TA参与的活动 5

TA的推广
兴趣领域 设置
  • 人工智能
    opencv计算机视觉目标检测机器学习人工智能深度学习神经网络cnnpytorchtransformer视觉检测图像处理
核心技术

超分辨率重建专栏

—— 从SRCNN开始，带你读论文，写代码，复现结果，找创新点，完成论文。手把手教，保姆级攻略。帮助你顺利毕业，熟练掌握超分技术。

图像去噪专栏

—— 从DnCNN开始，带你读论文，写代码，复现结果，找创新点，完成论文。手把手教，保姆级攻略。帮助你顺利毕业，熟练掌握图像去噪技术。

图像拼接论文精读专栏

—— 图像拼接领域论文全覆盖（包含数据集），省时省力读论文，带你理解晦涩难懂的论文算法，学习零散的知识和数学原理，并学会写图像拼接领域的论文（介绍、相关工作、算法、实验、结论、并附有参考文献，不用一篇一篇文章再找）

图像拼接论文源码精读专栏

 —— 图像拼接有源码的论文全覆盖（有的自己复现），帮助你通过源码进一步理解论文算法，助你做实验，跑出拼接结果，得到评价指标RMSE、SSIM、PSNR等，并寻找潜在创新点和改进提升思路。

创作活动更多

Claude Code 开发者创客大赛： AI 编程实战征文计划

随着 Claude Code 的爆火，AI 编程助手正在彻底改变开发者的工作流。它不仅能自动补全代码、优化算法，还能理解复杂需求并生成高质量脚本。 为探索 Claude Code 的潜力，CSDN 发起本次征文活动，邀请开发者分享实战经验、创新案例和技术思考，共同推动 AI 编程的普及与进化。 --- **创作主题**：用 Claude Code 重新定义编程效率 **创作方向**（供参考，鼓励自由发挥） **1. 效率革命：Claude Code 如何提升开发效率** - 对比传统编程 vs. Claude Code 辅助编程的耗时差异 - 实际项目中的效率提升案例（如快速生成 API、自动化脚本等） **2. 技术深挖：Claude Code 的高级用法** - 如何编写精准的 Prompt 让 Claude Code 生成更符合需求的代码 - 结合特定语言（Python/JS/Go等）的实战技巧 - 调试与优化 Claude Code 生成代码的方法 **3. 跨界融合：Claude Code 的创意应用** - 用 Claude Code 生成游戏逻辑、艺术代码（如 Processing 创意编程） - 结合低代码平台（如 Appsmith、Retool）快速搭建工具 - 在数据分析、爬虫、DevOps 等领域的落地案例 **4. 硬核挑战：用 Claude Code 完成一个完整项目** - 从零开始，仅依赖 Claude Code 开发一个小型应用（需附代码仓库和效果演示） - 记录开发过程中的思考、踩坑与解决方案 **5. 未来之辩：AI 编程的边界与伦理** - Claude Code 会取代程序员吗？职业发展的应对策略

89人参与 去参加
  • 最近
  • 文章
  • 专栏
  • 代码仓
  • 资源
  • 收藏
  • 关注/订阅/互动
更多

  • 最近

  • 文章

  • 专栏

  • 代码仓

  • 资源

  • 收藏

  • 关注/订阅/互动

  • 社区

  • 帖子

  • 问答

  • 课程

  • 视频

搜索 取消

【即插即用模块】注意力篇 | AAAI 2024 | DCMT：高低分辨率特征感知增强与融合，各类多尺度任务的涨点桥梁！

本文提出DCMT（双路径相关性匹配变换）模块，通过高低分辨率特征联动增强视觉任务性能。该模块包含高分辨率感知融合（ACM）和双路径匹配机制，能自适应聚合多尺度特征并筛选关键信息。实验表明，DCMT在超分等任务中显著提升PSNR指标，尤其适用于多尺度架构的视觉任务。模块支持即插即用，可无缝集成到UNet、金字塔等结构中，强化高低分辨率特征关联。代码实现包含动态特征变换、批量索引选择等优化，兼顾效率与性能。
原创
博文更新于 13 小时前 ·
8 阅读 ·
0 点赞 ·
0 评论 ·
0 收藏

【即插即用模块】注意力篇 | CVPR 2024 | PKI：多尺度+十字形大核卷积，全局局部感受野全覆盖，更轻更准！

本文提出了一种用于遥感目标检测的多尺度卷积模块PKI（Poly Kernel Inception Block），该模块通过并行使用3/5/7/9/11×11多尺度深度卷积核，有效捕捉不同尺度的特征。创新点包括：（1）采用轻量化瓶颈结构（1×1降维→多尺度卷积→1×1升维）控制参数量；（2）引入上下文锚点注意力（CAA）模块，通过全局池化和十字形卷积生成注意力权重，增强关键区域特征；（3）相比单一尺度卷积，PKI能同时处理局部细节和全局上下文，避免大核卷积的噪声问题。实验表明，该模块在遥感检测任务中实现了更高
原创
博文更新于 13 小时前 ·
7 阅读 ·
0 点赞 ·
0 评论 ·
0 收藏

【即插即用模块】Transformer篇 | TGRS 2025 | MGCM：多尺度双向注意力，全局和局部互补信息全捕捉，PSNR飙升至49！

AELF框架提出了一种自适应高光谱(HSI)与多光谱(MSI)图像融合方法，其核心模块MGCM通过多尺度双向交叉注意力机制实现跨模态特征互补。该模块采用三层池化尺度（8/4/2倍）分层捕捉全局到局部特征，结合深度卷积增强与残差连接，动态挖掘双模态互补信息。实验表明，MGCM能有效提升融合质量，消融研究验证了多尺度设计的必要性。模块代码提供双向注意力实现，支持即插即用，适用于需要双模态特征增强的视觉任务。添加VX:shixiaodayyds备注【即插即用】可加入技术交流群。
原创
博文更新于 13 小时前 ·
17 阅读 ·
0 点赞 ·
0 评论 ·
0 收藏

【即插即用模块】注意力篇 | TGRS 2025 | CSDF：双注意力+密集多尺度，协同工作显著增强特征！

MF-Mamba模型提出了一种用于遥感图像语义分割的CSDF模块，该模块结合了通道-空间注意力机制和密集多尺度特征融合。CSDF模块通过三分支膨胀卷积（膨胀率[3,5,7]）提取多尺度特征，并采用双通道注意力机制（通道+空间）进行特征筛选优化。实验表明，在Vaihingen和WHDLD数据集上，该模块能有效提升分割性能（F1得分提高0.36%，mIoU提升0.55%），尤其改善了小目标检测效果。模块具有轻量化、高效的特点，可灵活嵌入各类视觉任务中。
原创
博文更新于 前天 17:39 ·
188 阅读 ·
8 点赞 ·
0 评论 ·
0 收藏

【即插即用模块】特征提取篇 | TGRS 2025 | MFIB：多维度四分支动态融合，特征提取并增强，全方位捕捉！

本文提出了一种多分支特征整合模块(MFIB)，该模块通过四分支并行处理（空间、通道-高度、通道-宽度及点卷积）实现多维特征增强。创新点包括：动态权重分配机制、轻量化设计（深度卷积+点卷积）以及残差融合结构。实验表明，MFIB在保持较低计算成本（仅需基线模型46.43%参数和38.65%计算量）的同时，性能提升0.95dB。该模块适用于各类视觉任务，可灵活嵌入顺序或U型网络结构中，有效强化特征的多维度表达。
原创
博文更新于 前天 17:38 ·
300 阅读 ·
16 点赞 ·
0 评论 ·
0 收藏

【即插即用模块】卷积篇 | TGRS 2025 | FSConv：空域捕结构+频域提细节，替代标准卷积下采样，深层特征明显增强！

FSCFNet提出了一种频域-空域融合卷积模块FSConv，用于红外小目标检测任务。该模块通过Haar小波变换将输入特征分解为高频（局部细节）和低频（全局结构）分量，并行处理后再交互融合，有效增强小目标的特征表达。实验表明，FSConv在深层网络表现优异，能显著提升检测精度（AP@50达0.897），同时保持轻量化设计。模块核心创新包括频空并行架构、高低频分离优化及交互融合机制，适用于需强化频域特征的视觉任务。代码提供PyTorch实现，支持即插即用。
原创
博文更新于 2026.01.22 ·
444 阅读 ·
22 点赞 ·
0 评论 ·
0 收藏

【即插即用模块】注意力篇 | TGRS 2025 | FAENet：低频稳结构 + 高频补细节，多尺度金字塔增强特征！

本文提出了一种多尺度自适应采样融合网络(MASFNet)用于恶劣天气下的目标检测，其核心模块为特征自适应增强网络(FAENet)。FAENet通过拉普拉斯金字塔分解图像为多尺度高低频特征，采用残差特征增强模块(RFEM)增强低频结构信息，利用自适应变换增强模块(ATEM)调制高频细节，最后重建增强后的特征。实验表明该模块仅32.73KB参数即可提升检测性能，mAP达69.64%，能有效增强特征表达能力并保持细节与结构的协调性。
原创
博文更新于 2026.01.20 ·
196 阅读 ·
6 点赞 ·
0 评论 ·
0 收藏

【即插即用模块】Transformer篇 | Bibm 2024 | SMA：四种注意力协同并调制，替换传统自注意力实现涨点！

SMAFormer是一种新型医学图像分割模型，针对小肿瘤和不规则形状分割问题提出了协同多注意力(SMA)机制。该模型通过融合像素、通道和空间三种注意力，结合特征融合调制器，有效解决了传统Transformer在局部细节捕捉和多尺度建模上的不足。实验表明，SMAFormer在医学图像分割任务中表现优异，特别是对小目标和复杂形状的分割效果显著提升。模块采用双层互补架构，通过"PA×CA→Softmax→×SA"的协同融合机制实现多维度特征增强，支持即插即用式嵌入现有Transformer
原创
博文更新于 2026.01.20 ·
19 阅读 ·
0 点赞 ·
0 评论 ·
0 收藏

【即插即用模块】注意力篇 | ECCV 2024 | DPB：高低频动态分离+双提示融合，PSNR直冲40+！

本文提出了一种基于频率提示的图像恢复方法FPro，通过动态滤波器分离输入特征的高低频分量，并采用双提示块（DPB）进行频域专属提示生成与调制。DPB包含低频提示调制器（LPM）和高频提示调制器（HPM），分别处理不同频段信号，通过生成提示组件并融合解码器特征来优化恢复效果。实验表明，该方法在U型结构中表现优异，尤其适用于分割、底层视觉和多模态任务。模块通过动态无监督频率分离、频域专属提示生成和适配性融合机制，有效解决了传统方法对频域信息关注不足的问题，显著提升了图像恢复质量。
原创
博文更新于 2026.01.18 ·
33 阅读 ·
0 点赞 ·
0 评论 ·
0 收藏

【即插即用模块】卷积篇 | TCSVT 2025 | MFACB：多尺度膨胀融合，快速扩大感受野，多尺度特征精准捕捉！

本文提出了一种新型多尺度融合膨胀卷积模块MFACB，用于增强语义分割任务中的特征表达能力。该模块通过三分支串联膨胀卷积结构快速扩大感受野，采用双路径融合机制（基础信息路径+多尺度信息路径）实现高效上下文聚合。相比传统卷积块，MFACB在保持轻量化的同时显著提升了多尺度特征捕捉能力，实验表明其性能优于基础残差块。该模块支持自定义膨胀率和步长调整，可灵活嵌入不同网络阶段，适用于需要特征增强的视觉任务。
原创
博文更新于 2026.01.18 ·
160 阅读 ·
4 点赞 ·
0 评论 ·
0 收藏

【即插即用模块】Transformer篇 | TCSVT 2025 | WEVT：小波增强+高低频分离，替换ViT自注意力完美涨点！

本文提出了一种基于小波变换的视觉Transformer模块WEVT，用于高效处理多模态图像融合任务。该模块通过离散小波变换(DWT)将输入特征分解为低频和高频分量，分别采用窗口注意力机制和卷积进行处理，最后通过逆小波变换(IDWT)重建特征。这种设计实现了对全局结构和局部细节的针对性优化，同时降低了计算复杂度。实验表明，WEVT在多种融合任务中均达到SOTA性能，计算量比传统Transformer减少75%。模块可灵活替换标准Transformer的自注意力层，适用于高分辨率视觉任务。
原创
博文更新于 2026.01.17 ·
48 阅读 ·
0 点赞 ·
0 评论 ·
0 收藏

【即插即用模块】注意力篇 | TGRS 2025 | FDFEF：频域双模态融合并增强，避免特征丢失，准确率提高30%！

UMIS-YOLO提出了一种创新的频域特征增强融合模块(FDFEF)，用于水下多模态图像实例分割。该模块通过双模态独立频域增强和幅值-相位分离融合，有效提升了RGB与深度特征的协同表达能力。FDFEF采用可学习复数权重对双模态特征进行频域增强，分别优化幅值(强度)和相位(结构)信息，并通过残差连接保留原始特征。实验表明，该模块能显著提升分割精度(mAP50+0.3，mAP75+0.9)，同时保持实时计算性能。代码实现采用PyTorch框架，支持端到端训练，适用于需要双模态融合的视觉任务。
原创
博文更新于 2026.01.17 ·
162 阅读 ·
4 点赞 ·
0 评论 ·
1 收藏

【即插即用模块】Transformer篇 | CVPR 2024 | SFII：空频双域交互注意力，特征增强动态聚合，涨点必备！

本文提出了一种用于夜间图像去雾的半监督模型SFSNiD，其核心创新点是空频双域信息交互模块（SFII）。该模块通过自适应窗口注意力机制增强空间位置感知，结合频域动态聚合（FSDA）分离优化幅度与相位信息，并采用双域非线性映射实现空频特征深度交互。实验表明，SFII能有效处理夜间雾霾的局部耦合特性，在真实场景中实现更自然的亮度恢复。消融研究验证了各组件对性能的贡献，可视化结果展示了其在复杂光照条件下的优越性。该模块可灵活嵌入视觉任务中，提升特征表达的丰富性和鲁棒性。
原创
博文更新于 2026.01.15 ·
34 阅读 ·
0 点赞 ·
0 评论 ·
0 收藏

【即插即用模块】注意力篇 | ICME 2024 | PPA：双尺度补丁注意力，多分支融合，局部+全局特征捕获无压力！

PPA模块是HCF-Net网络的核心组件，专为红外小目标检测设计。该模块采用多分支并行架构，包含双尺度补丁注意力（p=2和p=4）、卷积特征提取和残差连接，通过6路特征直接相加实现高效融合。创新性地结合通道注意力（ECA模块）和空间注意力，形成协同优化机制。实验表明，PPA模块能显著提升检测性能，尤其适用于高分辨率视觉任务。模块代码实现了局部-全局注意力、高效通道注意力和空间注意力等核心功能，可作为即插即用组件替换CNN基础块。
原创
博文更新于 2026.01.15 ·
25 阅读 ·
0 点赞 ·
0 评论 ·
0 收藏

【即插即用模块】Transformer篇 | TCSVT 2025 | DAFM：双注意力聚合+反向跨模态筛选，特征精准捕捉并融合！

本文提出了一种双模态注意力融合模块(DAFM)，用于增强多模态图像融合任务中的特征交互。该模块通过双注意力聚合机制，结合自注意力与跨模态注意力，有效提升特征融合效果。DAFM采用可学习平衡因子动态调整注意力权重，并运用深度卷积降低计算复杂度。实验结果表明，该模块能显著提升多模态图像融合质量，适用于RGB-红外等双模态视觉任务。模块代码实现简洁，可直接集成到现有网络中作为特征融合层使用。
原创
博文更新于 2026.01.14 ·
37 阅读 ·
0 点赞 ·
0 评论 ·
0 收藏

【即插即用模块】注意力篇 | TIP 2025 | SFMFusion：CEB优通道 + FEB强频域，双模块协同实现多模态融合SOTA！

本文提出了一种用于多模态图像融合的SFMFusion框架，包含两个创新模块：通道增强块(CEB)和频率增强块(FEB)。CEB通过双路径通道注意力和随机打乱机制增强特征多样性，FEB采用幅度-相位分离调制优化频域特征。实验表明，这两个模块能有效提升融合性能，尤其FEB对高频细节处理效果显著。模块代码简洁高效，可即插即用至各类视觉任务中，特别适用于需要特征增强和高频细节处理的场景。
原创
博文更新于 2026.01.14 ·
200 阅读 ·
6 点赞 ·
0 评论 ·
0 收藏

【即插即用模块】Transformer篇 | ECCV 2024 | DHSA：直方图自注意力，考虑背景分布，比传统自注意力猛涨2个点！

本文提出了一种基于直方图变换器的图像恢复方法Histoformer，核心创新是动态范围直方图自注意力模块(DHSA)。该模块将直方图统计思想融入自注意力机制，通过特征排序模拟直方图统计，使注意力能聚焦于特征的分布模式而非仅空间位置。DHSA采用双路径并行设计：块级路径捕捉局部特征关联，频率级路径处理全局相似特征模式，两者通过元素乘法融合。实验表明，该方法在恶劣天气图像恢复任务中性能优于现有方法，PSNR指标比Restormer提升2个点。该模块适用于高分辨率视觉任务，可直接替换传统Transformer中的
原创
博文更新于 2026.01.13 ·
38 阅读 ·
0 点赞 ·
0 评论 ·
0 收藏

【即插即用模块】特征融合篇 | TMM 2025 | FAM：跨频+同频双重交互，高频补细节+低频稳全局，特征融合猛涨点！

本文提出了一种自适应频率感知网络AFANet，用于弱监督少样本语义分割任务。AFANet的核心创新是跨粒度频率感知模块（CFM），其中包含频率感知模块（FAM），通过将RGB图像解耦为高频和低频分布来优化语义结构信息。FAM采用三阶段频率自适应处理：初始分离、多轮增强（2轮同频强化+1轮跨频交互）和最终融合，实现全流程优化。模块支持灵活的频率分配（通过alpha参数调节低频通道占比），可适配不同任务需求。实验表明，CFM模块能有效提升性能，适用于多尺度视觉和频率敏感任务。代码实现包含初始分离和中间增强两个阶
原创
博文更新于 2026.01.13 ·
241 阅读 ·
10 点赞 ·
0 评论 ·
1 收藏

【即插即用模块】注意力篇 | TIP 2025 | CAFM：双向交叉注意力，特征融合信息互补，既轻量又涨点！

摘要：本文提出了一种用于高光谱快照压缩成像（SCI）的双阶段多尺度Transformer（DSMT）方法，其核心创新是交叉注意力融合模块（CAFM）。CAFM通过通道交叉注意力和空间注意力协同机制，实现双分支特征的深度交互与融合，解决了传统双分支方法交互不足的问题。实验表明，该模块能有效提升重建质量，适用于各类双分支/双模态特征融合任务。模块采用"通道统计→交叉注意力→空间筛选→融合输出"四步流程，代码已开源，可灵活集成到多种视觉任务中。
原创
博文更新于 2026.01.12 ·
103 阅读 ·
0 点赞 ·
0 评论 ·
1 收藏

【即插即用模块】Transformer篇 | TIP 2025 | DWM-MSA：双窗口多尺度注意力，全局和局部特征全捕获，替换后完美涨点！

本文提出了一种用于高光谱图像重建的双窗口多尺度自注意力模块(DWM-MSA)。该模块通过双窗口设计(8×8和16×16)分别捕捉局部细节和中程依赖，并采用局部-非局部分支并行处理机制。核心创新包括：1)双窗口多尺度特征捕获；2)通道拆分优化实现高效并行计算；3)混合位置嵌入方法增强空间-光谱依赖性建模。实验表明，该模块在重建任务中PSNR提升最高达3.69dB，且能有效迁移到其他视觉Transformer模型中。代码已开源，适用于需要多尺度特征建模的视觉任务。
原创
博文更新于 2026.01.12 ·
713 阅读 ·
33 点赞 ·
0 评论 ·
0 收藏
加载更多