一、本文介绍⭐本文在YOLO26中引入AFFN自相关前馈网络，可通过频域功率谱与空间自相关建模特征中的重复纹理和周期结构，强化目标轮廓、规则纹理及弱响应区域，同时抑制随机噪声和无关背景。将其部署于骨干网络或颈部特征融合阶段，有助于提升小目标、低对比度目标及复杂背景下的分类与定位精度，减少误检和漏检。相比普通FFN，AFFN兼具频域全局感知、空间结构增强和轻量门控筛选优势，在较低计算开销下提高YOLO26的特征表达能力与检测鲁棒性。YOLO26创新专栏目录：YOLO26涨点改进目录| 含Conv卷积、主干网络、注意力机制、Neck特征融合、检测头、知识蒸馏、模型剪枝、轻量化改进、损失函数、二次创新C2PSA/C3k2等各种顶会顶刊创新改进YOLO26订阅专栏地址：全新YOLO26独家创新改进，适合高效发表SCI和CCF小论文、大论文写作。本文目录一、本文介绍二、AFFN自相关前馈网络模块介绍2.1，AFFN自相关前馈网络模块的结构图2.2，AFFN自相关前馈网络模块的核心思想2.3，AFFN自相关前馈网络模块的作用2.4，AFFN自相关前馈网络模块的原理2.5适用任务领域三、核心模块的完整实现代码四、手把手添加步骤4.1 修改一4.2修改二4.3修改三五、创新改进yaml模型文件创新改进点1🚀创新改进点2🚀六、成功运行结果演示二、AFFN自相关前馈网络模块介绍摘要：闪烁伪影由不稳定的光照和行间曝光不一致引起，在短曝光摄影中构成重大挑战，严重损害图像质量。与典型的伪影（如噪声和低光）不同，闪烁是一种具有特定时空模式的结构化退化，而当前通用的修复框架并未考虑这一特性，导致闪烁抑制效果不佳，甚至产生鬼影伪影。本研究揭示了闪烁伪影的两个内在特征：周期性和方向性，并提出了“Flickerformer”——一种基于Transformer的架构，能够有效消除闪烁伪影而不引入鬼影。具体而言，“Flickerformer”包含三个关键组件：基于相位的融合模块（PFM）、自相关前馈网络（AFFN）以及基于小波的定向注意力模块（WDAM）。基于