YOLOv13改进策略【Neck】| AAAI 2025 相位整合模块PIM 相位融合提结构 + 跨域引导降模糊，强化雾天检测精度

一、本文介绍本文记录的利用相位整合模块PIM优化YOLOv13的目标检测。。PIM（Phase Integration Module）通过频率域相位融合与幅度谱修复结合，实现YOLOv13雾天场景下结构特征的精准重构与纹理增强。本文利用PIM模块，通过FFT分解RGB与YCbCr特征的频率组件，再通过相位谱线性融合与幅度谱修复强化结构信息，同时依托池化预处理提升特征鲁棒性，对YOLOv13中雾天场景下的目标边缘与细节特征进行针对性增强、抑制雾霾导致的纹理模糊干扰，在特征提取阶段实现跨颜色空间的结构信息互补，避免传统单颜色空间特征提取的鲁棒性不足问题，增强模型在雾霾等恶劣天气下的目标检测精度与环境适应性。专栏目录：YOLOv13改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进专栏地址：YOLOv13改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！文章目录一、本文介绍二、PIM介绍2.1 设计出发点2.2 模块结构2.3 模块优势三、PIM实现代码四、添加步骤4.1 修改一4.2 修改二4.3 修改三五、yaml模型文件5.1 改进版本六、成功运行结果二、PIM介绍2.1 设计出发点PIM（Phase Integration Module，相位整合模块）是Bi-Color Guidance Bridge（BGB）的核心组件，旨在解决RGB颜色空间在雾天图像中纹理模糊、结构特征难以提取的问题。其核心设计逻辑基于两大关键观察：一是YCbCr颜色空间受雾霾影响更小，能保留更清晰的纹理与结构信息；二是图像的相位谱比幅度谱更能传递结构细节，且对对比度失真和噪声更鲁棒。PIM通过融合YCbCr特征的相位谱与RGB特征的幅度谱，在频率域引导RGB特征重构清晰纹理，同时避免颜色空间转换带来的误差，为后续去雾任务提供高质量结构特征。2.2 模块结构PIM以频率域特征交互为核心，整体流程简洁且计算高效，核心构成如下：特征预处理：对RGB分支特征执行平均池化（平滑噪声、保留全局结构），对YCbCr分支特征执行最大池化（强化细节与颜色的激活值，提升鲁棒性）；频率域分解：通过快速傅里叶变换（FFT）将两类预处理后的特征转换至频率域，分离出幅度谱（A r g b \mathcal{A}_{rgb}