动态卷积技术近年来表现亮眼，为传统CNN注入新活力。其具备自适应特性，对计算资源友好，在工业界应用前景广阔，预计未来五年仍将保持高热度。
该方向理论门槛适中，易于实现创新突破，成为当前计算机视觉领域的“避险优选”。2025年CVPR等顶会持续涌现相关成果，如OverLoCK、FDConv及清华提出的LSNet（性能领先），表明研究尚未饱和。
随着产业需求转向效率提升，轻量化、跨模态等方向更易产出高质量成果。工业类论文（如ICCV Industry Track）重视实际价值，方法若能有效提效，即使篇幅精简亦有机会入选。建议尽快切入，优先复现主流方案如OverLoCK，并向轻量化或跨模态深化探索。
LSNet：大视野与细聚焦的轻量视觉网络
方法：提出LSNet，核心为LS卷积——通过大核卷积捕捉全局信息（“看大”），小核动态卷积聚合局部细节（“聚焦小”），在低计算开销下实现高效视觉建模。
创新点：
- 设计LS卷积机制，融合大核感知与小核动态聚合，模拟人类视觉注意机制。
- 构建基于LS卷积的轻量化网络LSNet，兼顾精度与效率。
- 在多任务场景中验证性能优势，展现出卓越的准确率与推理效率。
LightAWNet：面向医学图像分割的轻量动态加权网络
方法：提出LightAWNet，采用动态卷积增强特征提取能力，结合双分支结构分别捕获细节与空间信息；解码器引入轻量化上采样与通道注意力机制，优化分割精度。
创新点：
- 构建基于动态卷积的轻量网络LightAWNet，实现权重自适应调整。
- 采用双分支策略分离并融合细节与空间特征，提升特征重用性。
- 设计轻量上采样模块替代转置卷积，结合通道注意力优化分割性能。
D2HU-Net：双分支动态分层U型医学图像分割网络
方法：提出D2HU-Net，利用动态卷积实现输入自适应权重调整；通过双分支解码路径和多层空间注意力融合模块，增强特征表达与模型泛化能力。
创新点：
- 设计双分支解码结构，浅层路径指导深层路径，提升泛化性。
- 集成动态卷积，实现输入驱动的卷积核自适应。
- 引入多层空间注意力融合模块，强化多尺度特征整合能力。
基于动态子载波注意力的鲁棒WiFi人体姿态估计
方法：提出一种WiFi感知人体姿态估计框架，包含基于自编码器的去噪模块与基于动态卷积的估计模块。后者通过动态关注关键子载波提升特征提取效率，结合贝叶斯优化进行参数调优。
创新点：
- 构建去噪-估计两阶段架构，提升复杂环境下的姿态估计鲁棒性。
- 提出SDy-CNN动态卷积网络，聚焦信息丰富子载波，提高特征利用率。
- 采用贝叶斯优化自动调参，增强系统适应性与性能稳定性。
