一、本文介绍
🔥本文给大家介绍利用 RFGM 残差傅里叶引导模块改进 YOLO26 能显著提升模型在低光照、烟雾等恶劣环境下的检测性能与鲁棒性。通过在频域解耦幅度（恢复全局光照）与相位（锐化物体边缘），RFGM 为主要依赖局部卷积的 YOLO26 补充了全局感受野，相当于内置了一个高效的“即插即用图像增强器”。这不仅能让模型在黑暗或模糊场景下“看”得更清、定位更准（提升 mAP 和 IoU），还能凭借其轻量化设计，在几乎不牺牲实时推理速度的前提下，有效解决跨域（如昼夜变化）检测难题。
🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLO26创新改进！🔥
YOLO26专栏改进目录：全新YOLO26改进专栏包含卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、多种组合创新改进、全网独家创新等创新点改进
全新YOLO26专栏订阅链接：全新YOLO26创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文
本文目录
一、本文介绍
二、FAENet特征自适应增强网络介绍
2.1 RFGMs 残差傅里叶引导网络结构图
2.2 RFGM模块的作用
2.3 RFGM模块的原理
