以上就是今天介绍的几种深度学习模型和他们的一些常见模型，如果是考虑比较好发论文的话，建议从Transformer方向去做，因为近几年正是Transformer火热的时段，我们有很多比较好的idea可以借用，同时追逐前沿的创新点是比较好中论文的，而CNN和GAN的模块的话，我建议是作为一个小的研究点去做创新，这样可以帮助我们快速出论文。后续为大家讲解代码以及论文的阅读。

以上就是今天介绍的几种深度学习模型和他们的一些常见模型，如果是考虑比较好发论文的话，建议从Transformer方向去做，因为近几年正是Transformer火热的时段，我们有很多比较好的idea可以借用，同时追逐前沿的创新点是比较好中论文的，而CNN和GAN的模块的话，我建议是作为一个小的研究点去做创新，这样可以帮助我们快速出论文。后续为大家讲解代码以及论文的阅读。

论文题目：Learning A Sparse Transformer Network for Effective Image Deraining论文主要可用模块：TSAK稀疏注意力模块。

以上就是今天介绍的几种深度学习模型和他们的一些常见模型，如果是考虑比较好发论文的话，建议从Transformer方向去做，因为近几年正是Transformer火热的时段，我们有很多比较好的idea可以借用，同时追逐前沿的创新点是比较好中论文的，而CNN和GAN的模块的话，我建议是作为一个小的研究点去做创新，这样可以帮助我们快速出论文。后续为大家讲解代码以及论文的阅读。

ASE是论文最核心的创新点。传统的Mamba模型存在因果性约束，即当前像素只能访问序列中之前的像素信息，这限制了图像恢复任务中的全局信息利用。而ASE通过引入可学习的提示(prompts)到状态空间方程中，使查询像素能够"跳出"扫描顺序的限制，直接访问图像中任意位置的相关像素，实现了非因果建模能力，打破了传统Mamba的单向依赖局限，显著减少了多方向扫描的计算冗余，提高效率。

以上就是今天介绍的几种深度学习模型和他们的一些常见模型，如果是考虑比较好发论文的话，建议从Transformer方向去做，因为近几年正是Transformer火热的时段，我们有很多比较好的idea可以借用，同时追逐前沿的创新点是比较好中论文的，而CNN和GAN的模块的话，我建议是作为一个小的研究点去做创新，这样可以帮助我们快速出论文。后续为大家讲解代码以及论文的阅读。

论文题目：Learning A Sparse Transformer Network for Effective Image Deraining论文主要可用模块：TSAK稀疏注意力模块。