PFGNet：用于高效时空预测学习的全卷积频率引导外围门控网络

时空预测学习(STPL)旨在从过去的观察中预测未来帧，涵盖广泛的应用场景。与循环或混合架构相比，纯卷积模型在效率和完全并行性方面具有优势，但其固定的感受野限制了其能够适应性地捕获空间变化的运动模式。灵感来自生物学的中心-环绕组织和频率选择信号处理，我们提出PFGNet，一种全卷积框架，通过像素级频率引导门控动态调制感受野。PFG块核心模块提取局部谱线索，并自适应地融合多尺度大径向外围响应与可学习的中心抑制，有效形成空间自适应带通滤波器。为保持效率，所有大尺寸卷积核均分解为可分离的一维卷积($1 \times k$随后是$k \times 1$)，将每个通道的计算成本从$O(k^2)$降低到$O(2k)$。PFGNet能够在无循环或注意力机制的情况下实现结构感知的时空建模。在Moving MNIST、TaxiBJ、Human3.6M和KTH数据集上进行的实验表明，PFGNet在显著 fewer参数和FLOPs的同时，实现了SOTA或接近SOTA的预测性能。我们的代码可在https://github.com/fhjdqaq/PFGNet获取。