YOLO26 改进 - C2PSA | C2PSA融合DML动态混合层（Dynamic Mixing Layer）轻量级设计优化局部细节捕获与通道适应性，提升超分辨率重建质量

news/2026/1/21 23:14:19/文章来源:https://www.cnblogs.com/banxia-frontend/p/19514318

前言

本文介绍了动态混合层（DML），并将相关改进模块集成进YOLO26。DML是SRConvNet核心组件，用于解决轻量级图像超分辨率任务中特征捕捉和通道适应性问题。它通过通道扩展拆分、多尺度动态深度卷积、通道洗牌与融合等步骤，实现多尺度局部信息聚合和通道自适应增强。DML的动态卷积具有内容感知适配和分组共享效率优势，多尺度设计能覆盖全尺度图像细节。我们将DML相关模块集成到YOLO26，注册并配置yaml文件。实验表明，改进后的YOLO26有较好的效果。

文章目录： YOLO26改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

专栏链接: YOLO26改进专栏

前言
介绍
- 摘要
文章链接
基本原理
- 一、设计背景与核心目标
  - 1. 现有方法的局限
  - 2. DML的核心目标
- 二、整体架构与核心流程
  - 1. 通道扩展与拆分
  - 2. 多尺度动态深度卷积（核心步骤）
    - （1）动态权重生成机制
    - （2）动态卷积计算
  - 3. 通道洗牌与特征融合
- 三、关键机制的优势
  - 1. 动态深度卷积：超越静态卷积的适应性
  - 2. 多尺度设计：覆盖全尺度图像细节
  - 3. 通道拆分与洗牌：高效特征交互
核心代码

介绍

最近，视觉变换器（Vision Transformers）在多种任务中展现了相较于卷积神经网络（ConvNet）的优势，包括单图像超分辨率（SISR）。变换器的成功可归因于其不可或缺的多头自注意力（MHSA）机制，该机制能够用较少的参数有效地建模全局连接性。然而，MHSA 的二次复杂度通常会导致巨大的计算成本和内存占用，限制了它们在移动设备上的高效部署，相较于广泛使用的轻量级 ConvNet。在本研究中，我们深入探索了基于 ConvNet 和基于变换器的超分辨率（SR）模型之间的关键区别，从而提出了 SRConvNet，它吸收了这两者的优点，以实现轻量级的 SISR。我们的 SRConvNet 通过两个主要设计来实现：（1）傅里叶调制注意力（FMA），一种类似于 MHSA 的但更加计算和参数效率高的运算符，它执行区域频率-空间调制与聚合，以确保长短期依赖关系的建模；（2）动态混合层（DML），利用混合尺度的深度可分离动态卷积，通过通道分割和重排来探索多尺度上下文信息，从而提升模型的局部性和适应性。结合 FMA 和 DFN，我们可以构建一个纯变换器风格的 ConvNet，在效率与准确性之间权衡，来与最优秀的轻量级 SISR 模型竞争。大量实验表明，SRConvNet 在计算和参数方面能够比最近的最先进的轻量级 SISR 方法实现更高效的超分辨率重建，同时保持相当的性能。代码可在 https://github.com/lifengcs/SRConvNet 获取。

摘要

文章链接

论文地址：论文地址

代码地址：代码地址

基本原理

动态混合层（Dynamic Mixing Layer, DML）是SRConvNet的核心组件之一，专为解决轻量级图像超分辨率（SISR）任务中局部多尺度特征捕捉与通道适应性增强两大痛点设计，旨在替代传统Vision Transformer（ViT）中局限于线性变换的前馈网络（FFN），同时融合卷积神经网络（ConvNet）的局部建模优势与动态权重的灵活性。

一、设计背景与核心目标

1. 现有方法的局限

传统ViT的FFN仅通过“线性层+激活函数”实现特征变换，无法有效捕捉图像的局部空间依赖；后续改进方法（如卷积FFN、混合尺度卷积FFN）虽引入卷积增强局部性，但存在明显缺陷：

单尺度卷积：仅用固定尺寸卷积核（如3×3），难以覆盖不同尺度的图像细节（如边缘、纹理）；
静态权重：卷积核权重训练后固定，无法根据输入特征的通道差异自适应调整，导致通道间适应性不足。

2. DML的核心目标

针对上述问题，DML的设计聚焦两大核心目标：

多尺度局部信息聚合：通过多尺寸动态卷积，同时捕捉小尺度精细纹理与大尺度结构特征；
通道自适应增强：生成动态卷积权重，根据不同通道的特征分布调整核参数，提升模型对复杂场景的适配能力。

二、整体架构与核心流程

DML的架构遵循“通道扩展-拆分-多尺度动态卷积-通道混合-融合”的逻辑，具体流程如图2c（文档附图）所示，输入为FMA输出的特征$\bar{X} \in \mathbb{R}^{H×W×C}$（$H,W$为空间尺寸，$C$为通道数），输出为融合多尺度局部特征的$\hat{X} \in \mathbb{R}^{H×W×C}$，关键步骤如下：

1. 通道扩展与拆分

通道扩展：输入特征$\bar{X}$先经过层归一化（Layer Norm） 消除通道间分布差异，再通过1×1卷积将通道数从$C$扩展至$2C$，为后续多分支学习提供基础；
通道拆分：将扩展后的$2C$通道特征拆分为两个独立分支$\tilde{X}_1 \in \mathbb{R}^{H×W×C}$和$\tilde{X}_2 \in \mathbb{R}^{H×W×C}$，每个分支负责单一尺度的局部特征提取，避免不同尺度特征相互干扰。

2. 多尺度动态深度卷积（核心步骤）

两个分支分别采用5×5和7×7动态深度卷积（Dynamic Depthwise Convolution），通过“全局特征感知-动态权重生成-局部特征聚合”实现自适应多尺度学习，以$\tilde{X}_1$（5×5卷积分支）为例：

（1）动态权重生成机制

全局特征压缩：对$\tilde{X}_1$执行全局平均池化（GAP），将$H×W$的空间维度压缩为1×1，得到通道级特征向量（维度$C$），捕捉全局通道统计信息；
线性投影生成权重：通过两层线性投影转换特征向量，生成动态卷积核：
1. 第一层线性层（带GELU激活）：将通道数从$C$降至$C/G$（$G$为分组数），减少计算量；
2. 第二层线性层（带Sigmoid激活）：将维度恢复并重塑为动态滤波器$w \in \mathbb{R}^{H×W×G×K2}$（$K$为卷积核大小，如5或7；$K^2$为核参数数量）。
  文档中明确$K=5$和$K=7$，分别对应小尺度细节与大尺度结构的捕捉。

（2）动态卷积计算

动态卷积核$w$与分支特征$\tilde{X}1$按“分组-局部窗口”方式进行元素乘累加，公式如下：
$$\hat{X}1=\sum^{\Delta} \sum^{\Delta} w(i, j, u, v) \otimes \tilde{X}_1(i+u, j+v, G)$$
其中：

$\Delta=\lfloor K/2 \rfloor$（如$K=5$时$\Delta=2$），表示卷积窗口的半宽；
$w(i,j,u,v)$为位置$(i,j)$处卷积窗口内$(u,v)$坐标的动态权重；
$\otimes$为元素乘，权重与对应位置的特征相乘后累加，得到聚合后的局部特征$\hat{X}_1$（5×5分支）和$\hat{X}_2$（7×7分支）。

3. 通道洗牌与特征融合

通道洗牌（Channel Shuffling）：参考ShuffleNet V2的设计，将$\hat{X}_1$和$\hat{X}_2$的通道随机重组，打破分支间的通道独立性，实现跨尺度特征的高效交互，避免通道冗余；
特征融合：通过1×1卷积将洗牌后的特征通道数从$2C$压缩回$C$，整合多尺度信息，输出最终特征$\hat{X}$。

三、关键机制的优势

1. 动态深度卷积：超越静态卷积的适应性

与传统静态卷积（如MixCFN的固定核）相比，DML的动态卷积具有两大优势：

内容感知适配：动态权重由输入特征的全局统计信息生成，可根据图像内容（如平滑区域、纹理区域）调整核参数——例如，纹理密集区域的权重更关注细节保留，平滑区域的权重更侧重噪声抑制；
分组共享效率：动态权重按通道分组（$G$组）共享，每个组内的$(C/G)$个通道使用同一组核参数，在保证适应性的同时将计算量降低至静态深度卷积的$1/G$，符合轻量级设计目标。

2. 多尺度设计：覆盖全尺度图像细节

通过5×5和7×7两个分支的互补：

5×5卷积：捕捉小尺度细节（如文本边缘、纹理颗粒）；
7×7卷积：捕捉大尺度结构（如物体轮廓、场景布局）；
通道洗牌后，两种尺度特征深度融合，避免单尺度卷积“顾此失彼”的问题，尤其适合SISR中“低分辨率图像细节恢复”的核心需求。

3. 通道拆分与洗牌：高效特征交互

拆分优势：将特征拆分为两个分支，使每个分支专注于单一尺度学习，减少不同尺度特征的干扰，提升学习效率；
洗牌优势：打破分支间的通道隔离，让5×5分支的细节特征与7×7分支的结构特征在通道维度充分混合，避免“多分支但特征割裂”的问题。

核心代码

class MixFFN(nn.Module):def __init__(self, dim, num_kernels=16):super().__init__()self.proj_in = nn.Conv2d(dim, dim * 2, 1)self.conv1 = DyConv(dim, kernel_size=5, groups=dim, num_kernels=num_kernels)self.conv2 = DyConv(dim, kernel_size=7, groups=dim, num_kernels=num_kernels)self.proj_out = nn.Conv2d(dim * 2, dim, 1)self.norm = LayerNorm(dim, eps=1e-6, data_format="channels_first")self.act = nn.GELU()def forward(self, x):shortcut = xx = self.norm(x)x = self.act(self.proj_in(x))x1, x2 = torch.chunk(x, 2, dim=1)x1 = self.act(self.conv1(x1)).unsqueeze(dim=2)x2 = self.act(self.conv2(x2)).unsqueeze(dim=2)x = torch.cat([x1, x2], dim=2)x = rearrange(x, 'b c g h w -> b (c g) h w')x = self.proj_out(x) x = x + shortcutreturn x