本文提出了 SPA-GAN，一种用于图像转换任务的新型空间关注 GAN 模型，它可以直接将注意机制引入到 GAN 体系结构中，以帮助生成器更加聚焦于源域和目标域之间的最具区分性的区域，从而产生更逼真的输出图像。在 SPA-GAN 训练中，引入了额外的特征图损失以保留域特定的特征，通过基准数据集上的定性和定量比较，SPA-GAN 相对于现有的引导注意力 GAN 模型表现出了更好的性能。

Aug, 2019

提出了一种新颖的框架 Spatial Pyramid Attention Network (SPAN)，用于检测和定位多种类型的图像篡改。该框架通过构建局部自注意力块的金字塔有效地建模了多尺度图像块之间的关系。SPAN 在通用的合成数据集上进行训练，但也可以对特定数据集进行微调；所提出的方法在标准数据集上显示出显著的性能提升，超过了之前最先进的方法。

Sep, 2020

本研究提出了 SPP-net 结构，通过空间金字塔池化策略，消除了深度卷积神经网络所需的特定输入图像大小的限制，可生成固定长度特征表示，显著提高了基于 CNN 的图像分类和目标检测方法的准确性，ILSVRC 竞赛中名列前茅。

Jun, 2014

本篇论文介绍了一种基于 SPARNet 和 Face Attention Units（FAU）的空间注意力残差网络（SPARNet），能够在处理低分辨率人脸图像时捕捉到关键面部结构并生成高质量和高分辨率的结果。研究表明，该方法在多种度量标准上的表现优于当前最先进的方法，并能够对合成和真实世界低质量人脸图像进行有效泛化，不需要额外的人工标记数据。

Dec, 2020

使用金字塔注意力网络 (PAN) 进行语义分割，通过特征金字塔注意力模块和全局注意力上采样模块提取精确的密集特征，优于现有方法，可达到 PASCAL VOC 2012 和 Cityscapes 数据集的最高精度 mIoU 84.0%。

May, 2018

提出了一种基于注意力机制的金字塔聚合网络（APANet），其中空间金字塔池化可以有效编码多尺度建筑物包含地理信息，而注意力模块则用于抑制混淆区域特征并突出辨别性特征，通过一种 PCA 白化策略在两个地点识别基准测试中表现优异。

Aug, 2018

本文提出了一种新的基于空间注意力的金字塔网络用于无监督领域自适应，实现对目标检测、实例分割和语义分割等领域中存在的域漂移问题进行优化，实验表明所提方法在多个数据集中均优于现有最先进方法。

Mar, 2020

本文提出在卷积神经网络 (CNN) 中，通过 Laplacian 金字塔多分辨率重构和高分辨率特征地图的跳跃连接和乘法门来逐步优化从低分辨率地图中重构的区段边界，从而实现对需要密集像素标记的任务的高效语义分割。在 PASCAL VOC 和 Cityscapes 分割基准上实验，该方法能够实现最先进的语义分割结果。

May, 2016

本文提出了一种基于卷积递归神经网络的时空关注池化层，用于学习判别性模式并抑制与声学场景分类无关的模式。实验证明该方法不仅优于强卷积神经网络基线，还在 LITIS Rouen 数据库上取得了新的最优性能。

Apr, 2019

该研究提出了一种 Subspace Pyramid Fusion Network (SPFNet) 的编码解码结构，旨在提高像素级分割的性能，并采用多尺度 / 全局上下文信息进行上下文聚合，通过实验结果表明该方法在语义分割方面与其他现有技术相当竞争力。

Apr, 2022