【论文复现】CVPR 2026 SCGN 中的 SDGW 模块：空间偏差引导加权，即插即用！附赠 YOLO 26改进

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