【Gabor神经网络（GNN）】可学习参数化 Gabor 卷积层

教学讲义：可学习参数化 Gabor 卷积层性质声明：本文档为独立教学讲义与研究笔记，面向具备深度学习基础、需要快速建立滤波器设计工程直觉的工程师与研究生。所有内容基于公开文献与物理原理的原创性知识重组，不作为任何特定教材的替代或精简版本。一、核心矛盾：手工滤波器的"先验陷阱"1.1 为什么固定 Gabor 参数会失效？传统 Gabor 滤波器在纹理分析、边缘检测与视觉前端模拟中表现优异，其核心假设是：图像的局部频率结构与方向分布可以通过一组预设参数（波长、方向、带宽、相位、长宽比）来刻画。然而，这一假设在深度学习的端到端语境下暴露出根本性矛盾：数据分布的异质性 vs. 参数空间的固定性。手工设计的 Gabor 滤波器组通常基于自然图像统计或生物视觉实验（如 V1 简单细胞的感受野特性）进行构造，其参数在训练前即被冻结。当目标数据域的纹理尺度、边缘方向或噪声频谱与先验假设偏离时，固定参数不仅无法自适应，反而会将网络特征空间强行扭曲到与数据不匹配的流形上，导致特征提取的系统性偏差。物理直觉：想象用一组固定焦距和角度的透镜去观察不同距离的物体。当物体距离改变时，原本"最优"的透镜反而成为成像模糊的根源。可学习 Gabor 层的本质，是让每个滤波器拥有"自动调焦"能力，通过梯度信号动态调整焦距（频率）与光轴（方向）。