YOLO26涨点改进| TPAMI 2026 | 独家创新首发、注意力改进篇| 引入SPM稀疏提示模块，使用top-k稀疏性约束实现精度暴涨，目标检测、图像恢复、图像分割、图像分类、图像去雨等任务涨点

一、本文介绍

🔥本文给大家介绍使用 SPM稀疏提示模块 改进YOLO26网络模型，在特征提取与融合阶段强化目标的边缘、纹理和局部细节表达，使模型在复杂背景、低质量成像或细节模糊场景下仍能更准确地区分目标与背景。通过这种先验引导式特征增强，YOLO26能够更好地保留目标轮廓与判别性信息，提升对小目标、弱目标以及低对比度目标的感知能力。其优势在于能够增强特征表示的结构敏感性，提高检测精度和定位稳定性，同时抑制噪声干扰和无效背景信息；此外，SPM通常具有较强的可插拔性和较低的额外计算开销，因此能够在不过多牺牲实时性的前提下提升YOLO26在复杂视觉场景中的鲁棒性和泛化能力。

🔥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、SPM稀疏提示模块介绍

2.1 SPM稀疏提示模块网络结构图

2.2 SPM模块的作用：

2.3 SPM模块的原理

2.4 SPM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_SPM.yaml

🚀 创新改进2🔥: yolo26_C3k2_SPM.yaml

🚀 创新改进3🔥: yolo26_C2PSA_SPM.yaml

六、正常运行

二、SPM稀疏提示模块介绍

摘要：全场景图像修复（AiOIR）技术通过统一模型应对多种图像退化类型，但在设计能有效引导多场景修复的任务感知提示时面临重大挑战。虽然自适应提示学习可实现端到端优化，但常导致任务表征存在重叠或冗余问题。相反，基于预训练分类器生成的显式提示虽能提升区分度，却会丢失重建所需的视觉关键信息。为解决这些局限，我们提出对比提示学习（CPL）框架，通过两大互补组件优化提示与任务的匹配度：稀疏提示模块（SPM）能高效捕捉退化感知表征并减少冗余；对比提示正则化（CPR）通过整合不同退化类型的负样本提示，明确强化任务边界。与以往主要聚焦退化分类的方法不同，CPL直接优化提示与修复模型间的交互作用。五项基准测试的大量实验表明，CPL在多样化场景下持续提升强AiOIR基线模型的性能表现。我们的方法在这些基准测试中取得业界领先平均性能，为图像修复领域提供了通用且稳健的解决