基于局部通道与粗粒度空间注意力融合的极光图像增强分析方法：Loosen Attention机制研究

本文提出了一种新型轻量级注意力机制Loosen Attention（LA），通过整合局部通道注意力（localized channel attention）和粗粒度空间注意力（coarse-grained spatial attention），有效解决了极光图像（auroral images）分析中形态多变、动态性强等挑战。该模块采用体积特征生成（volumetric feature generation）和增强特征融合（enhanced feature fusion）等策略，在保持计算效率的同时显著提升了对极光流体状特征（fluid-like nature）的捕捉能力。

　　

亮点

• 我们提出了一种更具适应性和灵活性的注意力机制，通过整合局部通道注意力（localized channel attention）和粗粒度空间注意力（coarse-grained spatial attention）来适应极光的流体状（fluid-like）和不可预测特性。这种整合有效捕捉了关键的极光变化，同时保持了对抗固有随机性和变异性的鲁棒性。

• 我们设计了一个轻量级即插即用（plug-and-play）的注意力模块（LA），专为极光图像分析优化。受通道和空间注意力启发，LA能轻松集成到现有框架中，以最小的计算和参数开销提升性能，特别适合处理极光图像。

• LA在复杂极光分析中超越传统方法。如图1所示，我们在两种不同训练模式下验证LA：（a）使用4k标注样本和（b）11k标注样本（总样本量38,044张）。在多项任务中，LA均展现出稳定的性能提升，证实了其鲁棒性。我们的方法全面超越其他方案，展现出显著优势。

极光图像分析：挑战与现有工作

极光图像分析因高分辨率全天空观测（all-sky observations）数据的增长而备受关注。现有研究已探索了分类、检索、分割、目标检测和结构提取等任务。但这些工作常面临极光图像特有的核心挑战：语义模糊性（semantic ambiguity）、形态变异性（morphological variability）和鱼眼畸变（fisheye-induced spatial distortion）。

方法概述

提出的Loosen Attention（LA）机制是针对极光图像分析特殊挑战设计的专用注意力架构。如图2所示，LA围绕四个连续策略构建：确保在保持计算效率的同时，有效捕捉极光图像中微妙但关键的特征。这些策略包括体积特征生成（volumetric feature generation）、体积注意力计算（volume-wise attention computation）、精炼与重建（refinement and reconstruction）以及增强特征融合（enhanced feature fusion）。

实验设置

地基极光观测展现出多空间尺度的多样化形态。为全面评估Loosen Attention（LA）性能，本节探索了两个关键任务：图像分类和目标检测。在图像分类任务中，我们评估LA区分整体极光形态和动态模式的能力。典型的极光形态包括弧状极光（arc aurora）、帘状冕极光（drapery corona aurora）、热点极光（hot-spot aurora）和辐射状冕极光（radial corona aurora）。

结论与讨论

本研究提出的Loosen Attention（LA）是一种轻量级、任务自适应的注意力机制，专为地基极光图像分析设计。通过整合局部通道注意力和粗粒度空间注意力，LA在保持计算效率的同时，有效增强了语义上有意义的特征——完美应对了极光图像弥散、动态和低结构性的特点。为全面评估LA的普适性和即插即用能力...