最近，CVPR 2025上的一种即插即用的自适应卷积变体引起了广泛注意，它突破了传统卷积形状，刷爆了遥感图像融合的SOTA！强烈建议相关方向的同学研读。
除此之外，自适应卷积近期还有很多高区成果发布，看样子顶会接受率相当稳定。不过简单看了点觉得，这方向现在的发文门槛越来越高了，如果大家想有所收获，还是得深挖（比如审稿人重点关注的可解释性），或者往交叉领域探探路。
而且根据近期研究趋势来看，自适应卷积的未来爆发点在于它与多模态学习、边缘计算的结合，建议感兴趣的同学抓紧。为了节省找参考的时间，大家可以直接领取我整理好的10篇自适应卷积前沿论文，开源代码已附。
扫码添加小享，回复“自适应卷积”
免费获取全部论文+开源代码
Adaptive Rectangular Convolution for Remote Sensing Pansharpening
方法：论文提出了一种自适应矩形卷积（ARConv）模块，用于遥感影像融合。ARConv通过自适应调整卷积核的高度和宽度，以及采样点的数量，能够更好地提取不同尺度的物体特征，从而显著提升影像融合的效果。
创新点：
提出 ARConv 模块，可自适应学习卷积核的高度和宽度，动态调整采样点数量，有效捕捉不同尺度特征。 - 构建 ARNet 架构，用 ARConv 替换 U-Net 中的标准卷积层，提升 pansharpening 任务的尺度信息捕捉能力。 引入仿射变换增强空间适应性，计算成本不随核大小增加，且通过可视化验证了卷积核与物体大小的相关性。
Content-Adaptive Non-Local Convolution for Remote Sensing Pansharpening
方法：论文提出了一种自适应卷积方法CANConv，通过聚类划分相似区域并为每个区域生成自适应卷积核，实现了空间自适应性和非局部自相似性的结合，提升了遥感影像融合的效果。
创新点：
提出 CANConv 模块，通过 SRP 和 PWAC 子模块，实现空间适应性和非局部自相似性利用。 构建 CANNet 架构，用 CANConv 替换 U-Net 中的标准卷积，提升 pansharpening 效果。 设计轻量级核生成方式，减少参数，通过聚类建模自相似关系，降低计算冗余。
扫码添加小享，回复“自适应卷积”
免费获取全部论文+开源代码
Ac-mambaseg: An adaptive convolution and mamba-based architecture for enhanced skin lesion segmentation
方法：AC-MambaSeg 是一种新的皮肤病变分割模型，结合 CNN 和 Vision Mamba，加入注意力机制和多尺度自适应卷积，在 ISIC-2018 和 PH2 数据集上表现优秀。
创新点：
提出 AC-MambaSeg，混合 CNN + Vision Mamba 骨干，结合 CBAM 和选择性核，增强局部与全局特征提取。 设计 ResVSS 块，简化 VSS 块结构，加入深度卷积和可学习残差连接，提升特征提取效率与稳定性。 优化 U 型架构，编码器/解码器融合 CNN + ResVSS，瓶颈用动态卷积调整感受野，跳跃连接用 CBAM 增强。
Adaptive Convolution for CNN-based Speech Enhancement Models
方法：论文介绍了一种自适应卷积技术，用于语音增强模型。它通过动态调整卷积核来适应语音信号的每一帧特征，从而提升语音增强的效果。这种方法在不显著增加计算复杂度的情况下，显著提高了模型的性能，尤其适用于轻量级模型。
创新点：
提出自适应卷积模块，用因果动态卷积生成时变核，轻量注意力分配权重，实现帧级频谱自适应。 设计联合注意力机制，多头策略同时生成核权重，可扩展为时序通道注意力，增强非平稳语音建模。 构建超轻量模型 AdaptCRN，结合自适应卷积与高效编解码器，采用分组 DPRNN 和频谱压缩，低计算成本下性能优于同类模型。
扫码添加小享，回复“自适应卷积”
免费获取全部论文+开源代码
