什么是短程门控卷积（Gated Convolution）

短程门控卷积（Gated Convolution）概述

1. 基本思想
   短程门控卷积在普通卷积的基础上加入了一个可学习的“门”机制。网络在对特征图进行卷积的同时，会并行生成一条门控信号（通常通过 Sigmoid 激活得到），随后把卷积得到的特征与门控信号逐像素相乘。这样，网络可以在每个空间位置、每个通道上动态决定信息的保留程度，实现对有效特征的自适应筛选。
2. 结构组成
   • 特征分支：对输入特征进行常规卷积（可配合批归一化、激活函数），提取局部特征。
   • 门控分支：对同一输入再做一次卷积，随后通过 Sigmoid 产生介于 0 与 1 之间的门控值，起到“软掩码”的作用。
   • 融合：把两条分支的输出逐像素相乘，得到最终的特征图。该过程既保留了卷积的表达能力，又让网络自行学习哪些位置/通道的特征应被强化或抑制。
3. 与传统卷积的区别
   • 动态特征选择：普通卷积对所有通道和位置一视同仁，而门控卷积能够根据上下文自适应调节特征权重。
   • 软掩码 vs 硬掩码：在图像修复等任务中，传统的部分卷积使用硬掩码（固定的 0/1），而门控卷积的软掩码是可学习的，能够更细腻地捕捉掩码边缘和纹理细节。
   • 更强的局部建模：通过在每层加入门控，网络在短距离（小感受野）内即可实现高阶特征交互，提升对细粒度信息的感知能力。
4. 典型应用场景
   • 图像修复（Inpainting）‍：在自由形式图像修复中，门控卷积帮助网络区分已知像素与缺失区域，实现更自然的填补效果。
   • 图像去噪与超分辨率：门控机制能够抑制噪声特征，保留有价值的细节。
   • 语义分割与目标检测：通过自适应特征筛选，提高对边界和小目标的辨识度。
   • 时序建模：在一维卷积网络中加入门控，可实现对时间步长的动态控制，提升序列预测性能。
5. 优势总结
   • 自适应信息流：无需手工设计掩码，网络自行学习最优的特征通路。
   • 提升表达能力：在保持计算成本相近的情况下，显著增强模型对局部细节的捕捉。
   • 易于集成：门控卷积只是在普通卷积后面加一层 Sigmoid 与乘法，能够直接替换现有卷积层，兼容多数深度学习框架。

小结
短程门控卷积通过并行的特征提取与门控生成两条路径，实现了对每个像素、每个通道的细粒度特征控制。相较于传统卷积，它在图像修复、去噪、分割等视觉任务中表现更佳，并且易于在现有网络中替换使用，是近年来提升卷积网络局部建模能力的关键技术之一。