一、为什么需要 SDGW？在传统卷积神经网络中，一个长期被忽视的问题是：普通卷积对整张特征图做统一处理，所有空间位置共享同一组卷积核权重但在真实图像中，不同位置的信号和噪声波动特性差异巨大：强边缘、纹理丰富区域 → 信号主导，需要增强平滑背景、噪声区域 → 噪声主导，需要抑制统一卷积无法区分"这里是信号还是噪声"，导致要么把噪声当信号增强，要么把弱信号当噪声抹掉SCGN 的作者受传统 Yau-Yau 非线性滤波启发，提出了一个非常朴素的想法：让网络学会"看一眼"每个局部区域的波动有多大，再决定用多大的力气去处理它。这就是SDGW（Spatial Deviation-Guided Weighting，空间偏差引导加权） 模块。它本质上是一种基于局部标准差的动态空间注意力机制，能够根据每个像素位置的波动特性，自适应调整卷积操作的贡献度。二、SDGW 做了什么？抛开论文里的数学符号，SDGW 的工作流程可以拆成三步：第一步：局部偏差特征提取对输入特
一、为什么需要 SDGW？在传统卷积神经网络中，一个长期被忽视的问题是：普通卷积对整张特征图做统一处理，所有空间位置共享同一组卷积核权重但在真实图像中，不同位置的信号和噪声波动特性差异巨大：强边缘、纹理丰富区域 → 信号主导，需要增强平滑背景、噪声区域 → 噪声主导，需要抑制统一卷积无法区分"这里是信号还是噪声"，导致要么把噪声当信号增强，要么把弱信号当噪声抹掉SCGN 的作者受传统 Yau-Yau 非线性滤波启发，提出了一个非常朴素的想法：让网络学会"看一眼"每个局部区域的波动有多大，再决定用多大的力气去处理它。这就是SDGW（Spatial Deviation-Guided Weighting，空间偏差引导加权） 模块。它本质上是一种基于局部标准差的动态空间注意力机制，能够根据每个像素位置的波动特性，自适应调整卷积操作的贡献度。二、SDGW 做了什么？抛开论文里的数学符号，SDGW 的工作流程可以拆成三步：第一步：局部偏差特征提取对输入特
)
