一、本文介绍
本文给大家介绍一种HRAMi 多尺度特征融合模块优化YOLO26网络模型！H-RAMi通过分层互惠注意力混合 层补偿像素级信息损失并利用多尺度语义信息，在超分辨率、低光照增强、去雨、彩色去噪和灰度去噪等多项轻量级图像恢复任务上取得了SOTA性能。
🔥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、本文介绍：
HRAMi 模块的原理及作用：
HRAMi模块结构图
三、 核心代码
四、手把手教你添加HRAMi 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: yolo26_ HRAMi .yaml
六、训练演示，正常运行
二、本文介绍：
摘要：尽管最近的许多工作在图像修复 （IR） 领域取得了进展，但它们经常受到参数过多的影响。另一个问题是，大多数基于 Transformer 的 IR 方法只关注局部或全局特征，导致感受野有限或参数不足问题。为了解决这些问题，我们提出了一种轻量级 IR 网络，即 Reciprocal Attention Mixing Transformer （RAMiT）。它采用了我们提出的维度倒易注意力混合 Transformer （D-RAMiT） 块，该块与不同数量的多头并行计算二维（空间和通道）自我注意。二维注意力相互帮助，以补充对方的缺点，然后混合在一起。此外，我们引入了一个分层互惠注意力混合 （H-RAMi） 层，该层补偿像素级信息损失并利用语义信息，同时保持高效的分层结构。此外，我们重新审视并修改了 MobileNet V1 和 V2，以将高效的卷积附加到我们提出
