提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

创新点

1.提出了动态空间传播网络，一种非线性传播模型，动态调整亲和力权重

*2.扩散抑制操作，防止迭代过拟合造成深度过于平滑

文章概述

1. 我们提出的动态空间传播网络（dynamicspatialpropagationnetwork，dypn）利用了非线性传播模型（NLPM）。它将邻域分解为关于不同距离的部分，并递归地生成独立的注意力图，以将这些部分细化为自适应亲和矩阵。在传播开始时，远邻域提供长距离信息填充初始深度图的空洞并快速平滑。随着深度图变得更密集，近邻更加关注边缘保持。注意力机制根据每个传播阶段调整亲和矩阵，使过程更加准确和高效

2.扩散抑制（DS）操作，使模型在早期收敛，以防止密集深度的过度平滑。

3. 模型三种实现配置在保持相似精度的同时，减少了所需的邻居数量和注意事项。

网络结构

       使用ResNet34-Unet生成初始深度图、亲和矩阵、一系列空间和顺序注意力图，也就是Kt调整扩散过程。注意力图分为六个部分，并在6步传播过程中应用于Dysn模块。

方法详解

新的扩散过程的推导：

 Kt是全局注意力矩阵，有了Kt模型才被称为非线性模型

三种变体

文章提到的对于基本结构的三种变体

1.领域分为四部分分别调整，每一圈的权重是相关的，参数数量成倍

2.减少领域像素获得相同的感受野，进一步减少参数数量

3.使用了可变形的领域并在感受野和领域像素数量取折中

这三种模型变体的作用是减少计算成本

总结

文章为了解决当时文章的局限性提出的创新型方法，当时的问题有：

SPN方法的问题

       1.固定亲和度的表示限制

        2.迭代过程中过于平滑

CSPN

       亲和矩阵权重分布在距离上，意思是密集深度图靠亲和矩阵刷新像素及邻域的深度值，但并不能表示像素和其领域的关系