深度学习“水”论文，最好用的方法，莫过于缝合网络，这其中即插即用的模块则是必备利器！它能够无缝集成，高效涨点！
为节省大家时间，快速做出文章，我给大家准备了165个即插即用模块和源码，2025最新的和验证有效的经典都有！
此外还给大家进行了模块的分类，方便适配！主要涵盖通用模块（注意力机制、卷积、特征提取、特征融合、轻量化、多模态融合……）；各类任务专用（时间序列、医学图像、目标检测、3D任务……）
所有原文和源码都已打包，需要的伙伴，可以无偿分享给你！
扫描下方二维码，回复**「即插模块」**
免费获取全部论文合集及项目代码
注意力机制
HVI: ANewColor Space for Low-light Image Enhancement
内容：本文提出了一种新的低光照图像增强（LLIE）方法，核心是引入了一种名为水平/垂直-强度（HVI）的新色彩空间，并设计了相应的色彩与强度解耦网络（CIDNet）。HVI色彩空间通过极化HS平面和可学习的强度函数，解决了传统HSV色彩空间在低光照图像增强中出现的红色不连续性和黑色平面噪声问题。CIDNet利用HVI色彩空间的特性，分别对色彩和亮度信息进行建模，以实现更准确的光度映射函数学习。实验结果表明，该方法在10个数据集上优于现有的多种先进方法，具有较低的计算复杂度和参数量，同时在视觉效果上也表现出色。
卷积模块
Adaptive Rectangular Convolution for Remote Sensing Pansharpening
内容：本文提出了一种名为自适应矩形卷积（ARConv）的新模块，用于遥感图像融合中的全色锐化任务。ARConv能够根据图像中不同物体的大小动态调整卷积核的高度和宽度，并根据学习到的尺度动态调整采样点的数量。该模块通过学习仅两个参数（卷积核的高度和宽度）来实现，避免了随着卷积核尺寸增加而带来的额外计算负担。基于ARConv，作者构建了ARNet网络架构，通过在多个数据集上的实验验证了其在提升全色锐化性能方面的优势。实验结果表明，ARNet在多个指标上优于现有的先进方法，且在视觉效果上更接近真实图像。
扫描下方二维码，回复**「即插模块」**
免费获取全部论文合集及项目代码
特征融合
ConDSeg: A General Medical Image Segmentation Framework via Contrast-Driven Feature Enhancement
内容：本文提出了一种名为ConDSeg的通用医学图像分割框架，旨在解决医学图像中模糊边界和共现现象带来的挑战。该框架通过对比驱动的特征增强方法，提高模型在不同光照和对比度条件下的鲁棒性，并通过语义信息解耦模块和对比驱动特征聚合模块，分别实现特征的解耦和增强，以更好地区分前景和背景。此外，还引入了尺寸感知解码器来解决解码器的尺度奇异性问题，准确地定位不同大小的实体。在五个医学图像数据集上的实验表明，ConDSeg在各种模态的医学图像分割任务中均取得了最先进的性能。
Mamba模块
EfficientViM: Efficient Vision Mamba with Hidden State Mixer based State Space Duality
内容：本文提出了一种名为EfficientViM的新型轻量级视觉架构，基于隐藏状态混合器的状态空间对偶性（HSM-SSD）。该架构通过重新设计状态空间对偶性（SSD）层，将通道混合操作从图像特征空间转移到隐藏状态空间，从而有效降低了计算成本。此外，文章还引入了多阶段隐藏状态融合技术，以增强隐藏状态的表示能力，并通过设计减少内存受限操作来提高实际应用中的性能。EfficientViM在ImageNet-1k数据集上实现了新的速度-精度权衡，与第二好的模型SHViT相比，性能提升了0.7%，速度更快。此外，在高分辨率图像处理和知识蒸馏训练中，EfficientViM也显示出显著的吞吐量和精度提升。
时间序列任务
MSGNet: Learning Multi-Scale Inter-Series Correlations for Multivariate Time Series Forecasting
内容：本文提出了一种名为MSGNet的新型深度学习模型，用于多变量时间序列预测。MSGNet通过频域分析和自适应图卷积捕捉不同时间尺度上的变化的序列间相关性。该模型利用快速傅里叶变换（FFT）提取显著的周期模式，并将时间序列分解为不同的时间尺度。同时，它结合了自注意力机制来捕捉序列内的依赖关系，并引入自适应混合图卷积层来自动学习每个时间尺度内的序列间相关性。通过在多个真实世界数据集上的实验，MSGNet展示了其有效性，并且能够自动学习可解释的多尺度序列间相关性，即使在分布外样本上也表现出强大的泛化能力。
扫描下方二维码，回复**「即插模块」**
免费获取全部论文合集及项目代码