基于 SAFM 超分辨率上采样模块的 YOLOv12 改进方法—模糊场景目标检测精度提升研究

在复杂视觉环境中，如低光照、雾天或远距离拍摄等场景下，图像质量下降导致目标模糊，使得传统目标检测模型难以实现高精度识别。YOLO系列作为主流单阶段检测框架，在速度和精度方面表现出色，但在模糊和小目标场景中仍存在性能瓶颈。本文提出一种面向 YOLOv12 的创新性改进方法，引入 ICCV 2023 提出的空间自适应特征调制模块(SAFM) ，替代传统上采样操作，通过多尺度特征表示 与动态空间调制机制 ，有效增强非局部特征交互能力，显著提升模型在模糊和小目标场景下的检测精度。

1. 研究背景

在YOLOv12架构中，上采样过程通常依赖双线性插值或转置卷积操作，这些方法虽然计算高效，但难以恢复图像的高频细节，尤其在模糊或小目标区域容易产生伪影或误检。

SAFM模块通过以下机制弥补这一缺陷：

1. 利用非局部特征交互增强上下文感知；
2. 引入动态空间调制实现像素级增强；
3. 多尺度融合提高鲁棒性与泛化能力；
4. 结构设计兼顾效率与性能平衡。

因此，我们将SAFM模块嵌入