DEIM 改进系列（四）：concat 融合节点改进——把“简单拼接“升级为“学习式融合“

DEIM 的 FPN 用 concat 把上采样后的深层特征与浅层特征拼在一起，原始实现只是 torch.cat(xs, 1)------两路特征零交互，深层语义与浅层细节"各说各话"，融合权重固定 50/50。针对这个被每级融合共用的节点，我们做了可即插即用的 Fuse_* 替换变体，覆盖"交叉注意力、自适应加权、注意力重标定、频域/结构相似增强"四类思路，全部保持输出通道与 concat 一致、一行 yaml 切换。本文给出完整变体清单与分组逻辑，重点拆解自研的 Aura（气息感知交叉注意力）。

0. 开场：concat是谁，它在哪

接上篇。特征是这么流动的：lateral_convs 投影 → upsample_feat 放大 → concat 拼接 → fpn_blocks 融合。前面几篇把"源头、咽喉、上采样"都修过了，现在轮到真正的融合动作本身 。在 DEIM 里，concat 是 FPN 每一级的核心节点：Y4 = fpn_blocks(concat(X4', upsample(Y5)))。它的输入永远是两路------一路是浅层细节（lateral 投影后），一路是深层语义（上采样后），输出通道 = 两路之和。原始实现朴素到极致：torch.cat(xs, dim=1)，把两路特征沿通道方向堆叠，没有任何参数、没有任何交互。

1. 现有的concat有什么问题

先看它做的事：两路各 c//2 通道拼成 c 通道。问题在于"它只是堆叠"：

问题	机制原因	可观测后果
两路零交互	cat 沿通道堆叠，深层特征与浅层特征之间不发生任何信息交换	语义信号与细节信号"各说各话"，互补性没有被利用
融合权重固定	两路重要性是硬编码的 50/50，与内容无关	某些位置浅层细节更关键、某些位置深层语义更关键，concat 无法区分
通道冗余	拼接后通道翻倍，大量通道信息重叠，冗余留给下游融合块去消除	融合块需要更多容量消化冗余，收敛变慢
分布冲突	上采样后的深层特征与浅层特征数值分布不一致，直接拼接引入冲突	融合时强信号通道主导，弱信号（`【细分场景】`）被淹没

一句话总结：concat 是所有融合路径共用的节点，却只有"堆叠"这一个动作------它把"怎么融合"这个最重要的决策，完全甩给了下游 fpn_blocks。

2. concat可以往哪些方向改进

"拼接"这件事可以从四个层面升级，这也是我们最终落地的四个分组：

方向	思路	代表变体	优点	代价
交叉注意力	让两路特征互相"看"对方，再决定融合	Aura、DAAFM、CMA、CVIM、MCA	信息交互最充分，直击"零交互"	参数与计算量最大
自适应加权/门控	用可学习权重决定两路怎么混合	DPCF、DPCF_v2、MFM、mdfm、DFF、MEEM	参数适中、机理直观	交互深度有限
注意力重标定	先对两路做通道/空间调制，再融合	CSDF、HFFE、HDCAF、CAFR、CSFblock、HAFB、MASAG	复用成熟注意力，稳定	偏"调制"而非"交互"
频域/结构相似增强	从频带/局部结构相似度角度融合	EFC、ResonanceFusion、FEFM、FFAFusion、SAFG	角度独特，补充前两类盲区	实现复杂度高

四路共同点：都保持输出通道与 concat 完全一致（c），输入两路各 c//2，drop-in 替换 yaml 里的 concat 一行。

3. concat是如何改进的

concat 的替换变体共 23 个 ，全部通过 concat_<X> 通用前缀自动装配（输入 [x_lateral, y_upsampled]，输出 c）：

3.1 交叉注意力组------两路互相"看"

变体	核心机制
Aura（自研）	链式锚点交叉注意力：先聚合两路成"气息"锚点，再经两级注意力把气息反哺回特征（详见第 4 节）
DAAFM	双模态注意力块：LN → 交叉注意力 → FFN 的完整 Transformer 式融合
CMA	通道对齐后交叉注意力，γ 可学习缩放融合结果
CVIM	左右适配器对齐 + 交叉注意力（scale 按输出维归一化）
MCA	温度可学习的交叉注意力，深度可分离 QKV 控制开销

3.2 自适应加权/门控组------权重可学

变体	核心机制
DPCF	AdaptiveCombiner：可学习 d 生成 sigmoid 边注意，两路加权后再分 4 块分别组合
DPCF_v2	深度可分离卷积版的 DPCF
MFM	通道对齐 + 通道注意力（MLP 门控）决定两路权重
mdfm	多尺度特征融合（MSFF 多尺度分支 + 对齐融合）
DFF	对齐后全局池化 → 注意力门控 → 加权融合
MEEM	多头通道激励：sigmoid 激励 × 多分支 mid_conv

3.3 注意力重标定组------先调制再融合

变体	核心机制
CSDF	空间注意力 + 深度可分离卷积 + DenseASPP（3/5/7 多空洞率）+ 通道注意力
HFFE	坐标注意力 + 空间注意力 + 高低频门控
HDCAF	高低频双通道注意力（下采样 + 全局池化 + fc_low/fc_high）
CAFR	通道注意力重标定（下采样 + 双路 fc）
CSFblock	全局池化 + 分层通道选择
HAFB	分层注意力融合块（PatchAttention 局部/全局 × 深浅两路 + SE + RepConv）
MASAG	多尺度门控注意力（全局提取 + 局部上下文提取 + 门控选择）

3.4 频域/结构相似增强组------换个角度看融合

变体	核心机制
EFC	高效频带融合（1×1/3×3/5×5 多频带卷积 + BN）
ResonanceFusion	双场共振聚合 + 梯度感知纹理细化 + 交叉互惠门控
FEFM	频率增强融合（point+depth QKV + α/λ 可学习系数）
FFAFusion	频率自适应注意力（低秩投影 + 窗口相似度 + layer_scale）
SAFG	自适应光谱细化（patch 欧氏/余弦相似度权重 + 条带卷积 + 边缘增强）

设计逻辑：四个分组对应融合的四个本质问题 ------交叉注意力回答"两路之间该交换什么"，自适应加权回答"两路该按什么比例混合"，重标定回答"混合前该强调什么"，频域增强回答"从什么表征角度看相似性"。23 个变体不是堆数量，而是把'融合'这个动作的每个可设计维度都覆盖了一遍；Aura 则是我们在交叉注意力维度上的原创尝试。