一、本文介绍
本文给大家介绍一种AAFM自适应对齐频率模块改进YOLO26模型！AAFM 提出了一种两阶段渐进融合策略（解决基于卷积的局部特征与基于自注意力的全局特征之间，以及空间和通道维度特征之间，存在的特征不对齐问题），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、AAFM模块介绍
2.1 从不同角度获得的特征模式对比
2.2 网络结构图
2.3 创新点总结：
2.4 AAFM模块的优势
AAFM 的作用：
AAFM 的原理：
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 :
🚀 创新改进2 :
🚀 创新改进3 :
六、正常运行
二、AAFM模块介绍
摘要：图像去雨是计算机视觉中的一个具有挑战性的任务，旨在从雨滴和恶劣天气条件下的图像中恢复清晰的场景。近年来，基于 Transformer 的方法取得了显著的成功。然而，现有的 Transformer 模型通常依赖单一的全局或局部表示，而无法充分挖掘图像中多样的雨滴模式和复杂的几何结构。为了克服这一限制，我们提出了一种新的跨范式表示和对齐 Transformer（CPRAformer）框架。该方法结合了全局-局部和空间-通道两种范式的表示能力，从而能够更好地建模复杂的雨滴分布和细节恢复。我们的模型包含三个关键组件：首先，我们提出了“稀疏提示通道自注意力”（SPC-SA）机制，它通过稀疏化的通道依赖性建模全局通道关系，促进了通道间专家信息的流动；其次，我们引入了“空间像素细化自注意力”（SPR-SA）机制，它关注空间分布和细粒度纹理恢复，提升了空间特征建模能力；最后，我们设计了自适应对齐频率模块（AAFM），在两个阶段逐步对特征进行对齐和交互，以减少不同范式之间的信息差异。此外，我们还提出了一种多尺度引导网络（MSGN），用于实现跨尺度特征的交互融合。实验结果表明，CPRAformer 在多个
