目录
【Ultra-High-Definition Low-Light Image Enhancement: A Benchmark and Transformer-Based Method】
【ShuffleMixer: An Efficient ConvNet for Image Super-Resolution】
【A Close Look at Spatial Modeling: From Attention to Convolution 】
【DEA-Net: Single image dehazing based on detail-enhanced convolution and content-guided attention 】
【DAE-Former: Dual Attention-guided Efficient Transformer for Medical Image Segmentation】
【Ultra-High-Definition Low-Light Image Enhancement: A Benchmark and Transformer-Based Method】
代码链接：https://github.com/TaoWangzj/LLFormer
主要创新点：设计了Axis Multi-Head Self-Atention，常规计算Attention的方式是逐像素去计算，时间复杂度为O(HW*HW)，有一些论文会转换为计算通道维度的注意力计算，比如Restormer，时间复杂度可以降低到O(C*C)，这种方式可以，但是本人觉得更多偏向于了通道维度，对于一些应用场景下， 还是避不开需要去计算空间维度的注意力，本文感觉最大的idea就是设计了将H和W两者分开计算，串联实现的想法。
通过上图可以看到，以2*3的空间输入为例，Heights Axis方面计算得到的QKV矩阵均是2*2的，而Width Axis计算的QKV则是3*3的，整体上的时间复杂度就变成了O(H*H+W*W)，确实是可以实现时间复杂度降维，目前不太确定这种方式的实现效果是否会比常规O(HW*HW)的效果好一些，但是感觉在计算Height和Width维度上的时候不可避免的会造成信息损失，但由于使用的结构是级联式Transformer结构，可以将这些损失降到最低通过不断堆积Transformer Block。
还有双门控FFN和Layer Attention，其实都是较为常见的已有工作。
【ShuffleMixer: An Efficient ConvNet for Image Super-Resolution】
主要创新点：这个比较有意思的点在我看来就是Shuffle Mixer Layer中的Channel Projection，其实关于Shuffle的操作有很多，这个将特征进行通道维度的打散，然后随机去计算权重，通过两次Channel Projection将通道恢复，从而可以实现更强的特征融合和表征能力，提高模型的鲁棒性。
【A Close Look at Spatial Modeling: From Attention to Convolution 】
主要创新点：Transformer通常需要计算QKV从而计算出Self-Attention，这个步骤需要很大的算力，本文提出了一种新的想法去避开QKV去计算出相似性矩阵，CHW特征矩阵和经过pool操作后的矩阵相乘得到，有意思的是设计的Competitive Information Bottleeneck模块，设计了竞争机制。
【DEA-Net: Single image dehazing based on detail-enhanced convolution and content-guided attention 】
主要创新点：设计了一种Unet形式的网络架构，主要创新点的DEAB模块里边使用了CGA(Content-Guided Attention)，看起来很强具有全局的注意力，实现方式其实就是使用了CBAM和Shuffle Channel。
其实可以发现很多论文都使用了Shuffle Channel的操作，目前想法是能不能将Shuffle Channel的操作加入到多模态中进行融合增强呢？
【DAE-Former: Dual Attention-guided Efficient Transformer for Medical Image Segmentation】
主要创新点：主要是在计算注意力(QKV)的时候进行了归一化K和V，使得时间复杂度降低，并且与传统的Dot-Product Attention相比，不是通过Q和K计算相似性矩阵（时间复杂度为O(N*N)），再与V进行乘法（时间复杂度为O(N*dv)），而是通过转置，先计算经过归一化后的K和V，计算Global Context Vector（时间复杂度为O(dk*dv)）。
注：以上仅个人观后的想法，若有不足，请及时指出，欢迎大家讨论学习！
