为方便各位将宝贵的时间和计算资源都集中在最核心的创新点上，避免重复造轮子。我收集并整理了176个即插即用模块，基本覆盖了各种场景所需。
这些模块已经按照通用模块，以及各任务专用模块做好了分类，能帮你在有限时间内快速推进实验、验证思路，同时降低研究门槛。
目前比较热门的注意力机制、卷积、采样模块、频域、特征融合、ffn等都包含在内，最新的经典的也都有。建议各位都拿一份看看，因为学会利用和改造这些模块，也是取得成功的关键~
扫码添加小享， 回复“ 2025即插即用 ”
免费获取全部即插即用模块(论文+源码)
核心特点：不绑定具体任务，能直接嵌入不同模型架构或不同领域，比如注意力机制、卷积模块、归一化、特征提取、特征融合、多尺度融合、轻量化、KAN、扩散模型等。
部分模块原文：
【MICCAI 2025】U-RWKV: Lightweight medical image segmentation with direction-adaptive RWKV
方法： 论文提出 U-RWKV 轻量化医学图像分割框架，核心是引入可即插即用的方向自适应 RWKV 模块与阶段自适应挤压激励模块，结合 U 型编解码器，以 O (N) 计算成本高效建模长距离依赖、平衡细节与语义捕捉，提升分割性能，适用于资源受限场景。
创新点：
- 提出U-RWKV轻量化框架，基于RWKV架构以O(N)计算成本实现高效长距离依赖建模，适配资源受限场景。
- 设计DARM模块，通过双RWKV和四向扫描，减少方向偏差并保留全局上下文。
- 引入SASE模块，早期用扩张倒瓶颈保高分辨率特征，深层用紧凑瓶颈+深度可分离卷积，动态适配不同特征提取阶段。
【CVPR 2025】A Universal Scale-Adaptive Deformable Transformer for Image Restoration across Diverse Artifacts
方法： 论文提出尺度自适应可变形 Transformer（SADT）用于多种图像结构化伪影去除，核心是引入可即插即用的尺度自适应可变形注意力模块，搭配尺度增强可变形卷积模块，高效完成去摩尔纹、去雨、去条带等任务。
创新点：
- 设计SEDC模块，通过级联可变形卷积和并行SCMC，处理伪影的尺度、方向及形状变化。
- 提出可即插即用的SADA模块，以多尺度多头机制和可变形采样偏移，捕捉伪影长距离上下文并处理其非均匀分布。
- 构建SADT架构，结合MIMO设计与多尺度损失，高效完成去摩尔纹、去雨、去条带任务。
扫码添加小享， 回复“ 2025即插即用 ”
免费获取全部即插即用模块(论文+源码)
核心特点：为解决某类任务的独特需求设计（如3D任务需处理点云结构、超分需提升分辨率），比如上采样、图像分割、目标检测、人体姿态估计、点云、时序、多模态等。
部分模块原文：
TSLANet: Rethinking Transformers for Time Series Representation Learning
方法： 论文提出轻量级TSLANet模型用于时间序列分析，核心是引入可即插即用的自适应频谱块（ASB）和交互式卷积块（ICB，以双分支卷积交互建模依赖），搭配自监督预训练，高效完成时序分类、预测等任务。
创新点：
- 提出可即插即用的自适应频谱块，借傅里叶变换转时序为频域，用自适应阈值去噪，再融合全局与局部滤波特征，捕捉长短期依赖。
- 设计可即插即用的交互式卷积块，以双分支不同核大小的1D卷积交互，增强复杂时序模式捕捉能力。
- 构建轻量级TSLANet，整合ASB与ICB，搭配自监督预训练，在时序分类、预测等任务表现好，且计算复杂度低。
SimVP: Simpler yet Better Video Prediction
方法： 论文提出可即插即用的SimVP视频预测模型，完全基于CNN，以“编码器-转换器-解码器”架构提取空间特征、学习时序演变并重建帧，仅用MSE损失端到端训练，无需复杂模块与策略，在多数据集实现SOTA性能且训练成本低。
创新点：
- 提出SimVP视频预测模型，全基于CNN的“编码器-转换器-解码器”架构，不用复杂模块，靠基础CNN处理空间特征和时序。
- 仅用MSE损失端到端训练，无复杂策略，在五数据集达SOTA，还降低训练成本。
- 泛化性好、预测灵活，跨数据集表现优，能适配不同长度视频预测且性能衰减少。
扫码添加小享， 回复“ 2025即插即用 ”
免费获取全部即插即用模块(论文+源码)