本文提出了一种轻量级裂缝分割网络SCSegamba，通过结构感知视觉状态空间(SAVSS)模块融合门控瓶颈卷积(GBC)和结构感知扫描策略(SASS)，在保持极低参数量(约1M)的同时精确分割复杂裂缝。SCSegamba采用U型架构，利用多向扫描捕捉裂缝连续性，结合门控机制抑制背景噪声。实验表明，该方法在DeepCrack数据集上达到88.58% mIoU，计算量仅为1.45GFLOPs，显著优于

本文提出CPDATrack，一种新型Transformer跟踪框架，通过上下文感知Token剪枝(CTP)和判别式选择性注意力(DSA)解决现有方法的计算冗余和干扰问题。CTP模块在剪枝背景Token的同时保留目标周围上下文信息，防止语义丢失；DSA机制则抑制背景和干扰物的注意力贡献。实验表明，该方法在LaSOT等数据集上FLOPs降低37%的同时性能优于基线模型。核心创新在于"先保全后

本文提出了一种轻量级的自调制特征聚合网络SMFANet，用于高效图像超分辨率。针对现有Transformer方法计算量大且易产生过度平滑的问题，SMFANet通过双分支结构实现全局与局部信息的协同增强：EASA分支利用卷积近似自注意力捕获全局信息，LDE分支提取高频局部细节，并通过自调制机制动态融合。此外，引入部分卷积前馈网络PCFN进一步降低计算冗余。实验表明，该方法在保持极低计算量的同时，性能

摘要：本文提出MK-UNet，一种超轻量级医学图像分割网络，通过**多核深度卷积（MKDC）**实现多尺度特征提取，仅需0.316M参数和0.314G FLOPs。核心创新包括：1）多核倒残差模块（MKIR）高效编码特征；2）分组注意力门（GAG）优化特征融合；3）纯CNN架构避免Transformer计算开销。实验表明，MK-UNet在六个医学数据集上超越TransUNet（参数量少333倍）和

本文提出了一种新型卷积层WTConv，通过级联小波变换将输入特征分解为多频子带，在降采样后的频带上执行小卷积操作，以对数级参数增长实现接近全局的感受野。该方法可作为深度卷积的即插即用替代品，显著提升模型的形状偏置和对图像腐蚀的鲁棒性。实验表明，WTConv在ImageNet分类、ADE20K分割和COCO检测等任务上性能优于传统大核卷积方法，且参数效率更高。核心创新在于利用小波变换的多尺度特性，用

摘要： 论文《InceptionNeXt》提出了一种新型CNN架构，通过融合Inception思想与ConvNeXt的大核卷积优势，解决了传统大核卷积内存访问成本高的问题。核心创新是Inception深度卷积，将大核分解为并行的小方核、带状核和恒等映射分支，在保持大感受野的同时显著降低计算复杂度。实验显示，InceptionNeXt-T在ImageNet-1K上比ConvNeXt-T快1.6倍且精

摘要： 本文提出BMCNet，一种用于事件流超分辨率（ESR）的双流解耦网络，通过独立处理正负事件并设计双边信息交换模块（BIE）实现特征互补。传统方法混合处理正负事件导致边缘模糊，而BMCNet将二者解耦为独立分支，利用BIE在通道维度交互全局结构信息，增强细节恢复能力。实验表明，该方法在真实与合成数据集上性能提升超11%，且BIE模块可扩展至多模态任务。代码已开源。 （字数：149）

本文提出了一种协同CNN-Transformer网络(SCTNet)用于高光谱图像分类，通过双分支特征提取模块(TBFE)并行利用2D和3D卷积捕获局部空间-光谱特征，并设计混合池化注意力模块(HPA)增强特征表示。该网络还引入跨层特征融合机制(CFF)聚合Transformer编码器的多层输出，有效保留浅层关键信息。实验结果表明，SCTNet在五个基准数据集上超越了现有方法，包括最新的SS-Ma

本文提出LSRNA框架，通过将超分辨率过程转移到隐空间，显著提升扩散模型生成高分辨率图像的效率。核心创新包括：1) 轻量级隐空间超分网络(LSR)快速放大潜变量；2) 频率感知噪声对齐(NA)模块解决分布不匹配问题。实验表明，该方法在生成4K图像时比现有技术快3倍，同时避免结构崩坏和重复纹理问题。LSRNA可无缝集成到现有扩散模型中，为高分辨率图像生成提供高效解决方案。

本文提出LAM-YOLO模型，针对无人机航拍图像中目标尺寸小、遮挡严重和光照复杂等问题，在YOLOv8基础上引入光照-遮挡注意力机制(LAM)和内卷模块。LAM通过混合注意力增强特征提取能力，改进的检测头和SIB-IoU损失函数提升小目标检测精度。实验表明，该模型在VisDrone2019数据集上mAP提升7.1%，有效解决了复杂场景下的目标检测难题。核心创新包括LAM模块、辅助检测头和SIB-I