YOLO26涨点改进| TPAMI 2025顶刊 |独家创新首发、Conv改进篇| 引入LPRM局部像素关系卷积模块，提升细节表达和边界定位能力，助力小目标检测、语义分割、图像分割、图像增强有效涨点

一、本文介绍

🔥本文给大家介绍使用 LPRM局部像素关系卷积模块 改进YOLO26网络模型，通过建模局部像素之间的关系对特征进行细化优化，使模型在特征融合或上采样阶段能够更好地恢复空间结构信息并增强区域间的上下文联系。其优势体现在能够提升细节表达和边界定位能力，增强小目标和复杂场景下的检测效果，同时具备多尺度建模能力以适应不同尺寸目标，并且由于结构轻量、计算开销较低，能够在提升检测精度与鲁棒性的同时保持良好的实时性能和可扩展性。

🔥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、LPRM局部像素关系卷积模块介绍

2.1 LPRM局部像素关系卷积模块结构图

2.2 LPRM模块的作用：

2.3 LPRM模块的原理

2.4 LPRM模块的优势

三、完整核心代码

 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_LPRM.yaml

🚀 创新改进2🔥: yolo26_LPRM-2.yaml

🚀 创新改进3🔥: yolo26_LPRMC3k2.yaml

六、正常运行

二、LPRM局部像素关系卷积模块介绍

摘要：高空间频率信息（包括纹理等精细细节）对语义分割的准确性具有显著贡献。然而根据奈奎斯特-香农采样定理，高频成分在通过步长卷积等下采样层传播时容易产生混叠或失真现象。为此，我们提出了一种创新的空间频率调制（SFM）方法：在下采样前将高频特征调制至低频域，再通过上采样时进行解调处理。具体实现中，我们采用自适应重采样（ARS）技术进行调制，并设计了轻量级附加模块——该模块能对高频区域进行密集采样以放大信号，从而根据频率缩放特性降低信号频率。同时提出多尺度自适应上采样（MSAU）方案，通过非均匀上采样解调调制特征并恢复高频信息。该模块通过多尺度下密集与稀疏重采样区域间的交互信息，进一步提升分割效果。两种模块均可无缝集成于各类架构（从卷积神经网络到Transformer模型），特征可视化与分析结果表明，本方法在有效抑制混叠现象的同时，成功保留了解调后的细节特征。因此，所提出的方法显著提升了现有最先进的分割模型性能（例如在AD