一、本文介绍
本文给大家介绍MFM调制融合模块和LEGM局部到全局模块改进YOLO26模型！MFM和LEGM这种相互增强的学习策略，使得所提出的方法在计算机视觉各种任务性能上超越了现有先进方法，助力YOLO26 高效涨点！具体怎么使用请看全文。
🔥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、MFM和LEGM模块介绍
2.1 核心模块网络结构图
2.2 本文设计MFM和LEGM创新点的动机：
2.4 MFM和LEGM模块的优势
1. LEGM (局部特征嵌入全局特征模块)
2. MFM (调制融合模块)
三、核心代码
四、手把手教你配置模块和修改tasks.py文件
1.首先在ultralytics/nn/newsAddmodules创建一个.py文件
2.在ultralytics/nn/newsAddmodules/__init__.py中引用
3.修改tasks.py文件
五、创建涨点yaml配置文件
🚀 创新改进1 :yolo26_MFM.yaml
🚀 创新改进2 :yolo26_C3k2_LEGM.yaml
六、正常运行
二、MFM和LEGM模块介绍
摘要：从单张雾霾图像中恢复清晰图像是一个开放的反问题。 尽管已经取得了显著的研究进展，但大多数现有方法忽略了下游任务在促进上游去雾中的作用。 从雾霾生成机制的角度来看，场景的深度信息与雾霾图像之间存在潜在关系。 基于此，我们提出了一个双任务协作互促框架，以实现单张图像的去雾。 该框架通过双任务交互机制整合了深度估计和去雾，并实现了它们性能的相互提升。 为了实现这两个任务的联合优化，开发了一种具有差异感知的交替实现机制。 一方面，提出了去雾结果的深度图与理想图像之间的差异感知，以促使去雾网络关注去雾的非理想区域。 另一方面，通过提高雾霾图像中难以恢复区域的深度估计性能，去雾网络可以显式地利用雾霾图像的深度信息来辅助清晰图像的恢复。 为了促进深度估计，我们建议使用去雾图像和ground truth之间的差异来引导深度估计网络关注去雾后的非理想区域。 这使得去雾和深度估计能够以相互增强的方式利用它们的优势。 实验结果表明，该方法能够比最先进的方法取得更好的性能。
