🅽🅸🅲🅺🅴🆁🅽🅴🅻 ⓃⒾⒸⓀⒺⓇⓃⒺⓁ

提出了一种新型轻量化卷积网络SRConvNet，在单图像超分辨率任务中实现了Transformer级性能与卷积网络级效率的突破。SRConvNet通过两大创新设计缓解了现有方法的局限性：首先，傅里叶调制注意力机制（FMA）利用频域1x1卷积实现全局上下文建模，以线性计算复杂度模拟Transformer的长程依赖捕捉能力；其次，多尺度动态混合层（DML）通过并行动态卷积与通道shuffling机制，实现了自适应跨尺度特征融合。

为提升 YOLOv8 框架对全局以来关系的捕捉能力，本文借鉴所提出的EfficientViMBlock模块改进YOLOv8的C2f模块。EfficientViM基于状态空间模型（SSM）设计了新颖的HSM-SSD结构，从而实现在保证计算效率的前提下高效捕捉全局依赖关系。具体来说，HSM-SSD通过对压缩后的隐藏状态执行通道混合，再配合所提出的多阶段隐藏状态融合策略，获得了较优的推理吞吐量和模型精度。

为有效提升 YOLOv8 的检测精度，同时不增加额外的计算参数和推理时间，本文借鉴为了实现高精度同时又不引入额外的推理开销，ACBlock模块训练时通过1D非对称卷积来增强方形卷积能力，推理时进行卷积融合以此解决上述问题。具体来说，ACBlock模块训练时分别借助方形卷积、横向1D非对称卷积和纵向1D非对称卷积来学习图像特征，推理时先分别求得各卷积层和其BN层的融合结果，后将融合结果转换为一个标准卷积层，从而无需引入额外的推理开销。ACNet通过实验验证了所提ACBlock模块的有效性，

为提升 YOLOv8 在目标检测任务中的特征表达能力，本文借鉴所提出的Frequency Dynamic Convolution（FDConv）模块改进YOLOv8的下采样层。针对现有动态卷积（Dynamatic Convolution）存在的参数开销大且自适应性受限问题，FDConv通过在傅里叶域学习固定参数量来缓解上述问题。具体而言，FDConv将参数划分为基于不同频率的组别，各个组别具有互不相交的傅里叶指数，从而在不增加参数成本的前提下构建出频率多样化的权重。

为提升 YOLOv8 在低光场景中的目标检测任务，我们借鉴了提出的核心模块DBlock改进YOLOv8的C2f模块。DBlock模块采用大感受野空间注意力机制，利用先验光照增强的编码特征，专注于图像超分辨率和模糊机制。

为提升 YOLOv8 在目标检测任务中的特征表达能力，本文借鉴所提出的Pinwheel-shaped Convolution（PConv）模块改进YOLOv8的下采样层。风车型卷积（PConv）能更好地拟合红外小目标的类高斯空间分布，并且实现在进引入极少参数的前提下，显著扩大感受野，提升特征提取能力。

为提升 YOLOv8 多尺度特征融合能力，本文借鉴所提出的尺度融合方式HyperC2Net改进YOLOv8的Neck部分。HyperC2Net有助于在语义层和位置上传递高阶消息，从而提高Neck提取高阶特征的能力。HyperC2Net融合五阶段特征图以构建超图结构，并将超图结构分别融合进B3B_3B3​B4B_4B4​和B5B_5B5​，最后通过Bottom-Up结构进行高阶信息的传递。

为提升 YOLOv8 在目标检测任务中的特征表达能力，本文借鉴所提出的Mix Aggregation Network（MANet）模块改进YOLOv8的C2f模块。MANet融合了三种经典的卷积变体：1x1卷积、深度可分离卷积及C2f模块，从而有效提升了了Backbone的特征提取能力。

为提升 YOLOv8 在目标检测任务中的特征表达能力，本文借鉴所提出的尺度融合方式MAFPN改进YOLOv8的Neck部分。在MAFPN中，设计了表面辅助融合（SAF）模块，以将Backbone网络的输出与Neck网络相结合，保留适量的浅层信息以促进后续学习。同时，高级辅助融合（AAF）模块深植于Neck网络内，向输出层传递更为丰富的梯度信息。

为提升 YOLOv8 在目标检测任务中的特征表达能力，本文借鉴所提出的重参化异构高效层聚合网络（RepHELAN）模块中的DepthBottleneckUni改进YOLOv8的C2f模块。DepthBottleneckUni确保了整体模型架构和卷积设计对异构大型卷积核的利用。因此，这保证了在同时实现多尺度感受野的同时保留与小目标相关的信息。

为提升 YOLOv8 在目标检测任务中的特征表达能力，本文通过所提出的Deep-stage Decomposition Strategy中Base-Net的核心模块RepConvBlock改进YOLOv8的C2f模块。RepConvBlock通过膨胀卷积、通道注意力等其他模块实现了**在学习到较大感受野的同时增强卷积神经网络的特征表达能力。

为提升 YOLOv8 在目标检测任务中的特征表达能力，我们借鉴了提出的核心模块Block（此处称作LSBlock）。LSNet基于“看大，聚小”策略构建轻量化视觉网络结构，并提出了结合大内核感知和小内核聚合的LS（Large-Small）卷积。因此，LSBlock能有效捕捉广泛的感知信息，并针对动态和复杂的视觉表征实现精确的特征聚合，从而实现对视觉信息的熟练处理。

为提升 YOLOv8 在目标检测任务中的特征表达能力，我们借鉴了提出的核心模块GatedCNNBlock。该模块是在移除 RNN-like 状态空间模型（SSM）后，仅保留高效的卷积门结构，通过门控机制提升跨层特征融合能力。与传统 Bottleneck 块相比，GatedCNNBlock 通过自适应选择性提取关键特征，增强了信息流在通道间的响应性。