序列模型处理图像，空间信息去哪了？SEFN：不，我没丢！还更强了：空间增强前馈网络| | 即插即用模块与论文写作【V1代码讲解165】
空间增强前馈网络（Spatially-Enhanced Feedforward Network，SEFN）：
实际意义：①线性序列处理局限性：传统 SSM（如 Mamba）将2D图像像素展开为1D序列处理，仅能捕获线性序列中的长距离依赖，但破坏了2D空间中像素邻接关系。
②局部空间依赖的缺失：对局部空间结构（如边缘、小区域纹理）的建模能力较弱。
实现方式：①取特征：两个输入。②提空间（上半部分）。③门控调制：图中Gate。
立即观看
0