YOLO26改进75：全网首发--c3k2模块添加FFCM模块：在空间域和频域同时执行卷积操作，兼具局部-全局特征捕获能力与高效性

论文介绍

当前大多数单幅图像去雨（SID）方法基于具有全局建模能力的Transformer架构以实现高质量重建。然而，这些架构仅从空间域构建长程特征，为保持有效性需承受显著的计算负担。此外，这些方法在训练中要么忽略负样本信息，要么未充分利用负样本中的雨线模式。

为解决这些问题，提出了一种频率感知去雨Transformer框架（FADformer），通过充分捕捉频域特征实现高效去雨。具体而言，设计了包含**融合傅里叶卷积混合器（FFCM）和门控先验前馈网络（PGFN）**的FADBlock模块。与自注意力机制不同，FFCM在空间域和频域同时执行卷积操作，兼具局部-全局特征捕获能力与高效性；PGFN则以门控方式引入残差通道先验，增强局部细节并保留特征结构。

进一步提出**频域对比正则化（FCR）**训练策略，通过在频域进行对比学习并利用负样本中的雨线模式提升性能。大量实验验证了FADformer的高效性与有效性。源代码发布于：https://github.com/deng-ai-lab/FADformer。

技术亮点

1. 跨域特征融合：FFCM通过空间-频域双路径卷积平衡计算效率与特征表达能力。
2. 结构保留机制：PGFN的门控设计结合残差先验，优化细节恢复