092、GFNet-Filter频域滤波注意力在YOLOv12中的复现：全局感受野与Area Attention的互补性分析

092、GFNet-Filter频域滤波注意力在YOLOv12中的复现：全局感受野与Area Attention的互补性分析

兄弟们，今天这篇咱们聊点硬核的。上周有个读者私信我，说他在YOLOv12的C3k2模块里硬塞了一个全局自注意力，结果训练直接OOM，卡在RTX 3090上连batch size 4都跑不动。我一看代码就乐了——他把特征图拉平成了序列，序列长度是80×80=6400，自注意力的复杂度是O(n²)，这能不炸吗？这个场景我太熟悉了，很多人一看到“全局感受野”就条件反射地想到Transformer那一套，但实际在YOLOv12这种高分辨率特征图上，全局自注意力根本玩不转。今天咱们换个思路，用GFNet的频域滤波来做全局建模，顺便把Area Attention的局部细节补上，看看这俩怎么在YOLOv12里擦出火花。

先说说GFNet这篇论文到底干了啥。它其实特别朴素——把特征图做2D FFT变换到频域，然后在频域空间学一个可学习的复数滤波器，再逆变换回空间域。这个操作的理论基础是卷积定理：空间域的卷积等价于频域的逐元素乘法。所以GFNet本质上是在频域学一个全局的卷积核，这个核的尺寸和特征图一样大，天然就是全局感受野。而且FFT的复杂度是O(n log n)，比自注意力的O(n²)友好太多了。我在YOLOv12的P5层（80×80）上试过，显存占用只多了不到15%，速度掉得也不多，这买卖划算。

但GFNet有个天生的短板——它只做全局频域滤波，对局部细节的捕捉能力偏弱。你想想，频域滤波本质上是把整张图的信息揉在一起，高频分量代表边缘纹理，低频分量代表整体结构，但空间上的局部对应关系被FFT打散了。这时候A