pacnet

收录理由

做分割、深度估计这类密集预测任务的研究者，想验证CVPR 2019提出的像素自适应卷积（PAC）层，这个仓库是最直接的起点。它是论文作者的官方实现，提供了五个PyTorch模块：标准卷积、用于上采样的转置变体、池化层，以及两种CRF平均场推断实现，接口和常用的nn.Conv2d保持一致。PAC层的特别之处在于，卷积核的权重会根据像素内容学习而来，而不是预先固定，这让网络能获得空间自适应性，又不必引入太多额外结构。代码量不大，适合通读，还带了单元测试，能帮你在接入自己的模型之前先确认各层行为符合预期。需要坦诚提醒的是，项目采用CC BY-NC-SA许可，并且锁定了较老版本的PyTorch，所以更适合原型验证和学术研究，不太适合直接用于商业产品。