一、本文介绍
🔥本文给大家介绍LCA和IEL两个创新点改进YOLO26模型！LCA（Lighten Cross-Attention）和IEL（Intensity Enhance Layer）两种创新点在低光图像增强中发挥着重要作用，旨在解决传统方法中常见的色彩偏差和亮度噪声问题，助力YOLO26低光，暗光检测高效涨点！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、LCA和IEL模块介绍
2.1 CIDNet整体框架图
2.2 LCA创新模块结构图
2.3 LCA创新模块的优势
2.4 IEL创新模块结构图
2.5 IEL创新模块的优势
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_LCA.yaml
🚀 创新改进2 : yolo26_IEL.yaml
🚀 创新改进3 : yolo26_C3k2_IEL.yaml
六、正常运行
二、LCA和IEL模块介绍
摘要：低光照图像增强 (LLIE) 是一项重要的计算机视觉任务，旨在从损坏的低光照图像中恢复详细的视觉信息。 许多现有的 LLIE 方法都基于标准 RGB (sRGB) 空间，由于 sRGB 中固有的高色彩灵敏度，这通常会产生色彩偏差和亮度伪影。 虽然使用色调、饱和度和值 (HSV) 颜色空间转换图像有助于解决亮度问题，但它会引入显着的红色和黑色噪声伪影。 为了解决这个问题，我们为 LLIE 提出了一种新的颜色空间，即水平/垂直-强度 (HVI)，它由极化的 HS 图和可学习的强度定义。 前者强制红色坐标之间的距离较小以消除红色伪影，而后者压缩低光区域以消除黑色伪影。 为了充分利用色彩和强度信息，我们进一步引入了一种新颖的颜色和强度解耦网络 (CIDNet)，以学习 HVI 空间中不同光照条件下的准确光度映射函数。 来自基准测
