YOLOv11改进 - C3k2融合 | C3k2融合细节增强卷积DEConv（Detail-Enhanced Convolution）提升细微特征提取能力

前言

本文介绍了细节增强卷积（DEConv）技术在YOLOv11中的结合应用。DEConv由标准卷积层和多种差异卷积层并行组成，通过计算像素差异和卷积操作增强特征提取能力，还采用重参数化技术简化模型结构。其优势在于能更好捕捉高频信息、保持参数数量不变且降低推理计算成本。我们将DEConv集成进YOLOv11，替换部分模块。

文章目录： YOLOv11改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

专栏链接: YOLOv11改进专栏

介绍

摘要

单幅图像去雾是一个极具挑战性的病态问题，其目标是从所观察到的雾霾图像中估计出无雾图像。部分现有的基于深度学习的方法致力于通过增加卷积的深度或宽度来提升模型性能，然而卷积神经网络（CNN）结构的学习能力仍未得到充分发掘。本文提出了一种细节增强注意力模块（DEAB），该模块由细节增强卷积（DEConv）和内容引导注意力（CGA）构成，旨在强化特征学习，进而改善去雾性能。具体而言，DEConv将先验信息整合到常规卷积层中，以增强表示能力和泛化能力，随后运用重新参数化技术，将DEConv等效转换为标准卷积，且不产生额外的参数和计算开销。CGA通过为每个通道分配独特的空间重要性图（SIM），能够更高效地聚焦于特征中编码的有用信息。此外，本文提出了一种基于CGA的混合融合方案，可有效融合特征并辅助梯度流动。综合上述组件，我们提出了细节增强注意力网络（DEA - Net），用于恢复高质量的无雾图像。大量实验结果证实了DEA - Net的有效性，其将峰值信噪比（PSNR）指标提升至41 dB以上，且仅使用3.653M的参数，超越了最先进（SOTA）方法。我们的DEA - Net源代码将发布于https://github.com/cecret3350/DEA-Net。

文章链接

论文地址：