在图像处理领域，
多尺度特征融合
是一个很常用的技术，它可以提高CV任务的性能、鲁棒性和泛化能力，帮助模型更全面、准确地理解图像内容。
对于论文er来说，多尺度特征融合还可以
在各种任务中通用，分类、检测、分割、重建等涨点都不在话下
，比如CVPR 2024上一篇图像重建领域的新成果CPP-Net，在多个数据集和不同的压缩感知比率下，都取得了超越SOTA的性能。
当然，多尺度特征融合还有很多优秀成果都登上了各大顶会顶刊，光《Nature》子刊就不少了，今年它依然会是发论文的热门主题。我这回准备了
10篇
最新的多尺度特征融合论文（有代码）
，需要参考的同学抓紧领取。
扫码添加小享，
回复“
多尺度特征10
”
免费获取
全部论文+开源代码
CPP-Net: Embracing Multi-Scale Feature Fusion into Deep Unfolding CP-PPA Network for Compressive Sensing
方法：
网络提出了一种名为CPP-Net的新型深度展开框架，它将多尺度特征融合技术应用于压缩感知领域，通过结合传统的优化求解器和深度网络，提出了一个基于Chambolle和Pock近端点算法（CP-PPA）的原始-对偶混合策略的深度展开网络，有效地解决了在低压缩感知比率下图像细节丢失和重建图像质量下降的问题。
创新点：
-
CPP-Net 是一种新型的深度展开框架，灵感来源于 Chambolle 和 Pock 的近端点算法 (CP-PPA)。
-
设计了双路径特征融合块（DPFB），用于多尺度特征信息的提取和融合。
-
引入了迭代融合策略（IFS），有效地对来自不同重建阶段的输出进行加权融合，最大化特征信息的利用，减少重建过程中的信息损失。
Multi-Scale Feature Fusion using Channel Transformers for Guided Thermal Image Super Resolution
方法：
文章提出了一种名为MSFFCT的框架，用于引导热成像图像的超分辨率重建。这个框架通过结合基于通道的Transformers和多尺度融合技术，有效地解决了热成像图像分辨率较低的问题，特别是在低光照、遮挡和恶劣天气等挑战性环境条件下。
创新点：
-
探讨了热红外成像的独特优势，包括在完全黑暗中“看见”物体、穿透烟雾或雾气以及检测热签名。
-
提出了一种名为GTISR的新方法，通过利用高分辨率RGB图像指导低分辨率热图像的重建。
-
提出了一种新的网络架构MSFFCT，其优于现有重建技术，如NAFNet和Restormer。
扫码添加小享，
回复“
多尺度特征10
”
免费获取
全部论文+开源代码
Effective image tampering localization with multi-scale convnext feature fusion
方法：
论文提出了一种基于ConvNeXt网络和多尺度特征融合的有效图像篡改定位方案，通过堆叠的ConvNeXt块作为编码器捕获层次化的多尺度特征，然后在解码器中融合这些特征以准确地定位篡改像素。实验结果验证了其有效性。
创新点：
-
使用ConvNeXt网络作为编码器，结合多尺度特征融合的解码器框架来进行图像篡改定位。
-
针对真实世界篡改区域通常大小不一的特点，解码器采用了受Upernet启发的自顶向下路径来融合多尺度特征。
-
通过结合多种损失函数指导模型的有效训练，提高了篡改定位的性能。
MTD-YOLOv5: Enhancing marine target detection with multi-scale feature fusion in YOLOv5 model
