YoloV8改进策略：Block改进|EBlock，快速傅里叶变换（FFT）增强输入图像的幅度|即插即用|CVPR2025

已于 2025-06-16 14:12:52 修改
阅读量996 收藏 5
点赞数 26
CC 4.0 BY-SA版权
分类专栏： (2025年)YoloV8涨点改进——高阶篇 文章标签： YOLO
于 2025-06-16 09:37:14 首次发布
不能复制，转发
本文链接：https://blog.csdn.net/m0_47867638/article/details/148684188

摘要

✨ 当目标检测遇到低光挑战，当传统卷积在暗光中"失明"，一项来自CVPR2025的前沿技术——EBlock频域增强模块，正以"即插即用"的方式为YOLOv8注入夜视超能力！

在目标检测领域，低光照场景一直是阿喀琉斯之踵🌙。传统卷积神经网络在暗光环境下性能骤降，原因在于：

  • 🔍 特征提取失效：暗光图像高频信息丢失，边缘细节模糊
  • 📉 噪声放大：传统卷积将噪点误认为有效特征
  • ⏱️ 计算冗余：无效区域消耗大量计算资源

🔥 DarkIR的EBlock模块带来革命性突破！ 这项频域增强技术的精妙之处在于：

🌌 频域魔法：通过FFT将图像转换到频域，智能增强关键幅度信息
🎯 注意力聚焦：空间注意力模块(SpAM)锁定重要区域
⚡ 计算优化：仅在关键频段操作，效率提升30%

我们在YOLOv8-l上的集成效果令人震撼——仅替换C2f中的Bottleneck模块，推理速度几乎不变！

EBlock的核心创新在于频域处理：


                

                
                
        

         

    

    
  


        

            

                

                

                了解本专栏
                
                
                  
                订阅专栏 解锁全文
                 
            

        


    



                



	

		

			

				
					
【Block总结】EBlock，快速傅里叶变换（FFT）增强输入图像的幅度|即插即用|CVPR2025

				
			

			

				

					AI浩
				

				

					06-06
					
					1143
					
				

			

		

		

			
				
标题: DarkIR: Robust Low-Light Image Restoration作者: Daniel Feijoo, Juan C. Benito, Alvaro Garcia, Marcos Conde论文链接：https://arxiv.org/pdf/2412.13443GitHub链接：https://github.com/cidautai/DarkIR。

			
		

	



                

            
              



	

		

			

				
					
【CVPR 2025】 低光增强DarkIR（升级版LED-net）--part1 论文精读

				
			

			

				

					BOB_BOB_BOB_的博客
				

				

					05-14
					
					2651
					
				

			

		

		

			
				
【ECCV 2022】本文参考论文DarkIR: Robust Low-Light Image Restoration
论文地址：[arxiv](https://arxiv.org/abs/2412.13443)
源码地址：[github](https://github.com/cidautai/darkir)
	colab调试地址：稍后更新......
由于本文属于是LEDnet的进化版本，关于LED-net详见前文：
[【ECCV 2022】低光增强LEDNet论文精读与源码复现---part1论文精读

			
		

	



              


  
              

                


	

		

			

				
					
【CVPR 2025】 低光增强DarkIR（升级版LED-net）--part2 代码解读

				
			

			

				

					BOB_BOB_BOB_的博客
				

				

					05-14
					
					1279
					
				

			

		

		

			
				
【ECCV 2022】本文参考论文DarkIR: Robust Low-Light Image Restoration
论文地址：[arxiv](https://arxiv.org/abs/2412.13443)
源码地址：[github](https://github.com/cidautai/darkir)
	colab调试地址：稍后更新......
由于本文属于是LEDnet的进化版本，关于LED-net详见前文：
[【ECCV 2022】低光增强LEDNet论文精读与源码复现---part1论文精读

			
		

	





	

		

			

				
					
(cvpr2025) DarkIR: Robust Low-Light Image Restoration

					
最新发布

				
			

			

				

					OUC的搬砖日常
				

				

					07-03
					
					428
					
				

			

		

		

			
				
《DarkIR：鲁棒性低光图像恢复方法》提出了一种联合处理去噪、去模糊和低光增强的统一框架。该模型采用UNet结构，前半部分使用EBlock（基于频率域特征建模）进行光照校正，后半部分采用DBlock（多尺度大核卷积）处理去模糊任务。EBlock通过FFT变换到频域处理幅值信息，再转换回空间域；DBlock则通过多尺度大核卷积提升图像清晰度。该方法突破了传统单独处理各任务的局限，实现了端到端的低光图像恢复。代码已开源。

			
		

	



		

			
		



	

		

			

				
					
【CVPR 2025】惊艳！即插即用，一种轻量级多感受野视觉Mamba网络

				
			

			

				

					深度学习技术前沿
				

				

					04-10
					
					316
					
				

			

		

		

			
				
此外，还提到了最近流行的基于Mamba的模型，这些模型虽然具有线性的计算复杂度，但在实际应用中仍然存在推理速度慢和性能不佳的问题。不同模型保持相同的全局和局部通道比例，小模型使用较小的输入分辨率以实现较低的计算复杂度和更快的运行时间，而大模型使用较大的输入分辨率以获得更好的性能。MobileMamba在ImageNet-1K数据集上的Top-1准确率达到了83.6%，超过了现有的最先进方法，并且在GPU上的速度是LocalVim的21倍以上。在第一阶段下采样时，特征图尺寸较小，因此计算量减少，速度更快。

			
		

	





	

		

			

				
					
YoloV12改进策略：Block改进|EBlock，快速傅里叶变换（FFT）增强输入图像的幅度|即插即用|CVPR2025

				
			

			

				

					m0_47867638的博客
				

				

					06-16
					
					678
					
				

			

		

		

			
				
标题: DarkIR: Robust Low-Light Image Restoration作者: Daniel Feijoo, Juan C. Benito, Alvaro Garcia, Marcos Conde论文链接：https://arxiv.org/pdf/2412.13443GitHub链接：https://github.com/cidautai/DarkIR。

			
		

	





	

		

			

				
					
YoloV11改进策略：Block改进|EBlock，快速傅里叶变换（FFT）增强输入图像的幅度|即插即用|CVPR2025

				
			

			

				

					m0_47867638的博客
				

				

					06-16
					
					569
					
				

			

		

		

			
				
标题: DarkIR: Robust Low-Light Image Restoration作者: Daniel Feijoo, Juan C. Benito, Alvaro Garcia, Marcos Conde论文链接：https://arxiv.org/pdf/2412.13443GitHub链接：https://github.com/cidautai/DarkIR。

			
		

	





	

		

			

				
					
YOLOv8首发优化：编解码Metaformer 结构 ，解决受到噪点、光线不足和因环境昏暗等问题 | CVPR2025 DarkIR 

				
			

			

				

					①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
				

				

					05-26
					
					309
					
				

			

		

		

			
				
编解码Metaformer 结构 ，解决受到噪点、光线不足和因环境昏暗等问题 | CVPR2025 DarkIR 

			
		

	





	

		

			

				
					
频率域图像增强

				
			

			

				

					xcz8023的博客
				

				

					12-02
					
					2517
					
				

			

		

		

			
				
图像空间域的线性邻域卷积实际上是图像经过滤波器对信号频率成分的滤波，这种功能可以在变换域实现，即把原始图像进行正变换，设计滤波器用点操作的方法加工频谱数据（变换系数），然后再进行反变换，即完成处理工作。

			
		

	





	

		

			

				
					
(2025年 CVPR) 频域增强 × 多尺度建模！轻量还原神器 FusedEnhanceBlock 来了！

				
			

			

				

					weixin_43009052的博客
				

				

					05-20
					
					912
					
				

			

		

		

			
				
💡 解决思路（EBlock 核心贡献）① 空间频域融合增强：EBlock 同时融合空间域的多尺度膨胀卷积与频域 MLP 调制，在保留局部细节的同时增强全局结构建模能力，有效应对模糊与照度变化。② 轻量化门控机制：引入SimpleGate 乘性门控结构，在提升特征表达非线性的同时保持计算开销较低，替代传统复杂的注意力机制。③ 归一化与残差耦合设计：采用双 LayerNorm 与 Learnable 残差系数（β、γ）增强训练稳定性和特征调控能力，保

			
		

	





	

		

			

				
					
【论文阅读笔记】Detecting Camouflaged Object in Frequency Domain

				
			

			

				

					qq_46056318的博客
				

				

					12-25
					
					2450
					
				

			

		

		

			
				
基于频域的视频目标检测2022年发表于CVPR[Paper][Code]隐藏目标检测（COD）旨在识别完美嵌入其环境中的目标，在医学，艺术和农业等领域有各种下游应用。然而，以人眼的感知能力来识别遮挡的物体是一项极具挑战性的任务。因此，我们主张COD任务的目标不仅仅是在单个RGB域中模仿人类的视觉能力，而是超越人类的生物视觉。然后，我们引入频域作为一个额外的线索，以更好地检测从背景中隐藏的对象。为了更好地将频率线索纳入CNN模型，我们提出了一个具有两个特殊组件的强大网络。我们首先设计了一个新的频率增强。

			
		

	





	

		

			

				
					
Low-Light Image Enhancement 弱光照图像增强算法 资源整理

				
			

			

				

					u014546828的博客
				

				

					02-25
					
					7557
					
				

			

		

		

			
				
Resources for Low Light Image Enhancement

https://github.com/dawnlh/low-light-image-enhancement-resources

-------------------------------------------------------------

Paper

TIP 2021

Sparse Gradient Regularized Deep Retinex Network for Robust Low-Ligh

			
		

	





	

		

			

				
					
YOLO11改进-模块-引入多域学习MDL（Multi-Domain Learning） 使用频域增强图像特征

				
			

			

				

					qq_64693987的博客
				

				

					03-05
					
					1234
					
				

			

		

		

			
				
MDL 模块的理论基础是融合空间域和频域信息，共同指导扩散过程。在低光图像增强中，频域特征包含重要的信息，如颜色和纹理等，在采样过程中，频域特征也会逐步优化，且通常遵循从低频到高频的恢复方式。因此，将频域信息与空间域信息结合，可以为模型提供更全面的特征表示，从而更精确地恢复低光图像。

			
		

	





	

		

			

				
					
（CVPR2025）即插即用动态频域卷机FDConv，涨点起飞

				
			

			

				

					m0_59164304的博客
				

				

					04-05
					
					2807
					
				

			

		

		

			
				
题目：Frequency Dynamic Convolution for Dense Image Prediction论文地址：https://arxiv.org/pdf/2503.18783。

			
		

	





	

		

			

				
					
RTDETR融合[CVPR2025]DarkIR中的DBlock模块

				
			

			

				

					深度学习炼丹师，偶尔分享炼丹技术!
				

				

					04-15
					
					1365
					
				

			

		

		

			
				
论文速览：由于昏暗的环境和长时间曝光的常见使用，夜间或黑暗条件下的摄影通常会出现噪点、弱光和模糊问题。尽管在这些条件下去模糊和低光图像增强 （LLIE） 是相关的，但图像修复中的大多数方法都是单独解决这些任务的。在本文中，我们提出了一种用于多任务低光图像恢复的高效而强大的神经网络。我们没有遵循当前基于 Transformer 的模型的趋势，而是提出了新的注意力机制来增强高效 CNN 的感受野。与以前的方法相比，我们的方法降低了参数和计算成本。总结：本文更新其中的DBlock等模块。​⭐⭐。

			
		

	





	

		

			

				
					
即插即用频域增强通道注意力机制EFCAttention，涨点启动!

				
			

			

				

					Angelina_Jolie的博客
				

				

					11-26
					
					3102
					
				

			

		

		

			
				
题目：FECAM: Frequency Enhanced Channel Attention Mechanism for Time Series Forecasting论文地址：https://arxiv.org/abs/2212.01209。

			
		

	





	

		

			

				
					
频率增强通道注意力机制（FECAM）学习总结

				
			

			

				

					qq_54900679的博客
				

				

					09-23
					
					3262
					
				

			

		

		

			
				
频率增强通道注意力机制（FECAM）学习总结

			
		

	





	

		

			

				
					
【CVPR2022】Detecting Camouflaged Object in Frequency Domain

				
			

			

				

					qq_44572656的博客
				

				

					02-27
					
					1333
					
				

			

		

		

			
				
利用频域信息进行伪装目标检测

			
		

	





	

		

			

				
					
def forward(self, x):         ec1 = self.e_conv_1(x)         ec2 = self.e_conv_2(ec1)         eblock1 = self.e_block_1(ec2) + ec2         eblock2 = self.e_block_2(eblock1) + eblock1         eblock3 = self.e_block_3(eblock2) + eblock2         ec3 = self.e_conv_3(eblock3)  # in [-1, 1] from tanh activation         return ec3

				
			

			

				

					05-19
				

			

		

		

			
				
输入的数据 x 经过两个卷积层（self.e_conv_1 和 self.e_conv_2），然后经过三个残差块（self.e_block_1，self.e_block_2 和 self.e_block_3），最后再经过一个卷积层 self.e_conv_3，最终输出 ec3。  其中加号表示...

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

  
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  





	
打赏作者

	

		

		
			
		
		

		

			
AI智韵

			
你的鼓励将是我创作的最大动力

		

	

	

			

	

	

    ¥1
    ¥2
    ¥4
    ¥6
    ¥10
    ¥20
	

	

		

			

				

					扫码支付：¥1
				

				

					

					
					获取中
					

				

				

					
					
					扫码支付
				

			

		

		

			
您的余额不足，请更换扫码支付或充值

			
打赏作者

		

	



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值