NAF

零样本特征放大，无需训练，即插即用提升视觉模型分辨率

NAF（Neighborhood Attention Filtering）是一个用于零样本特征上采样的开源模型实现，由微软研究院和威斯康星大学麦迪逊分校的研究者提出。它解决的是计算机视觉中特征图分辨率不足的问题，即如何在不依赖训练数据的情况下，将低分辨率特征图高质量地放大到高分辨率。NAF的核心创新在于利用邻域注意力机制（Neighborhood Attention）进行滤波，通过自适应的方式聚合局部邻域信息，从而在保持特征语义一致性的同时，恢复细节。与传统的插值方法（如双线性）或需要大量训练数据的超分辨率网络不同，NAF无需额外训练即可直接应用于任意预训练模型的特征图，具有即插即用的特点。该实现基于Python和PyTorch，提供了简洁的API，支持多种视觉任务（如目标检测、语义分割）中的特征上采样，能有效提升下游任务的性能。