CNN、Transformer与Attention机制的融合正成为人工智能领域的研究热点，相关成果频繁出现在IEEE TII等顶级期刊会议上。该组合有效弥补了单一模型在局部感知与全局建模上的局限，已在计算机视觉、自然语言处理及多模态任务中展现出强大潜力。
得益于其在性能提升、计算效率优化和部署成本降低方面的优势，这一混合架构受到学术界与工业界广泛关注，研究方向涵盖模块优化、新型结构设计以及跨领域应用拓展，具备广阔的论文创新空间。
本文精选12篇CNN+Transformer+Attention方向的最新顶会顶刊论文，涵盖故障诊断、图像超分辨率、医学图像分割等多个应用场景，并附开源代码信息，助力科研人员把握前沿动态，高效开展创新研究。
CFBDAM：基于ConvFormer的双条件域适应跨机器故障诊断方法
方法：提出CFBDAM方法，结合CNN提取局部特征、Transformer捕捉全局特征，通过注意力机制融合二者，生成高迁移性故障特征，显著提升跨设备故障诊断准确率。
创新点：
- 提出基于ConvFormer的双条件域适应框架，实现精准跨机器故障诊断。
- 设计GLFE模块，联合提取局部与全局特征，并通过CAFF机制进行融合。
- 引入BDA策略，融合机器域与故障类别信息，增强特征可迁移性。
ASID Transformer：轻量级单图超分辨率网络
方法：提出ASID网络，融合CNN局部感知能力与Transformer长距离依赖建模优势，结合注意力机制实现信息共享，在仅需约30万参数的情况下，达到主流超分模型相当的性能表现。
创新点：
- 构建ASID网络架构，协同利用CNN与Transformer优势，高效提取多尺度特征。
- 设计信息蒸馏块，通过层次化提取与注意力共享机制降低计算开销。
- 引入注意力共享与通道分割技术，实现高性能轻量化超分辨率重建。
MATCNN：基于多尺度CNN与注意力Transformer的红外可见光图像融合方法
方法：提出MATCNN模型，利用多尺度CNN提取局部细节特征，结合Transformer捕获全局结构信息，通过注意力机制强化关键区域表达，实现高质量红外与可见光图像融合。
创新点：
- 设计多尺度融合模块，增强不同层级图像细节的保留能力。
- 构建基于Transformer的全局特征提取模块，提升整体语义表达。
- 引入信息掩码机制，结合内容相似性与结构损失函数优化融合效果。
CFFormer：面向低质量医学图像分割的跨模态特征融合模型
方法：CFFormer结合CNN的局部特征提取能力与Transformer的全局建模优势，引入通道注意力（CFCA）与空间特征融合（XFF）模块，优化特征交互过程，显著提升低质量医学图像的分割精度。
创新点：
- 提出CFFormer架构，通过CFCA模块实现CNN与Transformer间的高效特征交互。
- 设计XFF模块，强化空间维度上的特征融合能力。
- 在多个医学图像数据集上验证模型有效性，展现优异的分割性能与泛化能力。
