YOLOv10优化：CVPR2026 UCMNet ｜FrequencyCM赋能YOLO C2f：从频域增强视角解决感受野与细节瓶颈

💡💡💡现有YOLO C2f的问题点：感受野受限：堆叠小核卷积（如3×3）难以捕获全局上下文，对尺度变化大、小目标或遮挡目标特征提取不足。频域信息缺失：仅依赖空间域卷积，无法有效利用傅里叶域的高频细节，导致低对比度、模糊区域重建能力弱。特征交互低效：通道间信息交互依赖逐点卷积，缺乏全局特征重校准，存在特征冗余。🔍🔍🔍FrequencyCM引入YOLO C2f的优势：频域增强：显式利用傅里叶域信息，提升高频细节恢复能力，改善低分辨、模糊目标检测。全局感受野：以极低计算开销获得整图级感受野，突破局部视野瓶颈。轻量高效：模块参数量和FLOPs增量极小，即插即用，训练稳定，推理速度快于窗口注意力。