YOLOv10-MRA：基于小波域特征分解与重构的多分辨分析目标检测算法

目录

为什么要做多分辨分析？

整体架构设计

完整代码实现

1. 小波变换模块

2. 子带增强模块

3. 完整的MRABlock

4. 修正版MRABlock

5. 集成到YOLOv10

大概两个月前，我接到一个工业检测的项目，需要在低分辨率图像中检测微小的表面缺陷。传统的YOLOv10虽然速度很快，但是在高频细节保留和抗混叠方面总感觉差点意思。后来翻了一些信号处理的论文，突然想到：为什么不试试小波变换呢？把图像分解成不同频率的子带，让网络自己去学怎么融合这些信息。

经过一个多月的反复调试，终于把这个YOLOv10-MRA（Multi-Resolution Analysis）版本给跑通了。说实话，中间踩了不少坑，比如小波基的选择、逆变换的可微性、特征对齐的维度匹配等等。今天就把这些经验整理出来，希望对做目标检测改进的朋友有帮助。

为什么要做多分辨分析？

先说说动机。标准YOLOv10的骨干网络用的是卷积和注意力机制的堆叠，本质上是在空间域做特征提取。这种方法有一个天然的缺陷：它没有显式地对频率信息进行建模。

举个简单的例子，一张图像里既有平滑的背景区域（低频分量），又有尖锐的边缘和纹理（高频分量）。传统CNN通过堆叠卷积层可以逐渐扩大感受野，但这种方式对高频细节的保护并不直接。下采样操作（步长卷积或池化）会丢失高频信息，而上采样又无法真正恢复丢失的细节。