YOLOv11涨点改进| CVPR 2025 |独家创新首发、特征融合改进篇|引入GPTB全局感知变换器融合模块，获得更强全局感知和上下文建模能力，助力多模态目标检测、小目标检测、图像超分任务有效涨点

一、本文介绍

🔥本文给大家介绍使用 GPTB全局感知变换器融合模块 改进YOLOv11网络模型，通过全局先验引导的特征建模能力，使模型不仅依赖局部卷积特征，还能从整幅图像角度理解目标与背景的关系。其核心通过在低分辨率特征上进行 Transformer 全局建模，并结合全局先验进行动态调制，从而增强长距离依赖表达和整体语义一致性。GPTB 更有利于提升复杂背景下的目标区分能力、降低误检与漏检，并增强在低照度、模糊等低质量场景中的检测鲁棒性，同时在计算开销可控的前提下提升整体检测性能。

🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLOv11创新改进！🔥

YOLOv11专栏改进目录：YOLOv11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、C2PSA/C3k2二次创新改进、全网独家创新等创新点改进

全新YOLOv11-发论文改进专栏链接：全新YOLOv11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、GPTB全局感知变换器融合模块介绍

2.1 GPTB全局感知变换器融合模块结构图

2.2 GPTB模块的作用：

2.3 GPTB模块的原理

2.4 GPTB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🔥: yolov11n_GPTB.yaml

🚀 创新改进2🔥: yolov11n_GPTB-2.yaml.yaml

🚀 创新改进3🔥: yolov11n_GPTB-3.yaml.yaml

六、正常运行

二、GPTB全局感知变换器融合模块介绍

摘要：超高清（UHD）图像修复因其高分辨率、复杂内容及精细细节而面临重大挑战。为应对这些挑战，我们通过渐进式谱分析视角深入剖析修复流程，将复杂的 UHD 修复问题分解为三个渐进阶段：零频率增强、低频修复与高频精修。基于这一见解，我们提出了一种名为ERR的创新框架，该框架包含三个协同子网络：零频率增强器（ZFE）、低频修复器（LFR）和高频精修器（HFR）。具体而言， ZFE 整合全局先验信息以学习全局映射； LFR 负责恢复低频信息，重点重建粗粒度内容；而 HFR 则运用我们设计的频率窗口化柯尔莫哥洛夫-阿诺德网络（FW-KAN）来优化纹理与细节，从而实现高质量图像修复。我们的方法在多项任务中均显著优于现有 UHD 方法，大量消融实验验证了各组件的有效性。