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2.1RFGMs残差傅里叶引导网络结构图2.2 RFGM模块的作用2.3RFGM模块的原理2.4RFGM模块的优势三、完整核心代码四、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ultralytics\nn\tasks.py文件五、创建涨点yaml配置文件🚀创新改进: yolo26_FAENet.yaml六、正常运行二、RFGM 残差傅里叶引导模块介绍摘要：在极暗图像中恢复精细细节仍具挑战性，这主要源于严重的结构信息丢失和噪声干扰。现有增强方法往往难以保留复杂细节和锐利边缘，导致其在文本检测、边缘识别等下游应用中的效果受限。为解决这些问题，我们提出了一种以细节恢复为核心的双阶段高效方法。第一阶段引入残差傅里叶引导模块（RFGM），该模块能有效恢复频域中的全局光照。 RFGM 通过残差连接捕捉阶段间与通道间的依赖关系，为高频处理提供稳健先验，同时规避不可靠先验导致的误差累积风险。第二阶段采用专门优化纹理结构的Mamba模块：(1)补丁Mamba作用于通道拼接的非降采样补丁，通过精细建模像素级相关性，在保持分辨率的同时提升细节恢复效果；(2)梯度Mamba专注于高梯度区域，缓解状态空间模型中的状态衰减问题，优先重建锐利边缘和边界。在多个基准数据集和下游应用的大量实验表明，我们的方法在保持效率的同时显著提升了细节恢复性能。关键在于，所提出的模块具