一、本文介绍🔥本文给大家介绍使用 WDAM小波的方向性注意力模块 改进YOLO26网络模型，通过在特征提取与融合阶段显式引入方向性先验信息，通过小波分解获取高频方向特征，并利用其引导低频特征的注意力建模，使网络能够更准确地关注具有结构性分布的目标区域，从而提升对细长目标、小目标以及复杂背景中弱目标的检测能力。该模块通过高频引导低频的协同机制，在增强特征表达能力的同时有效抑制噪声干扰，显著提高目标定位精度和边界刻画能力。同时，WDAM仅在低频分量上进行注意力计算，计算开销较低，适合嵌入YOLO26这类实时检测框架，在保证推理速度的前提下提升模型整体性能与鲁棒性。🔥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、WDAM小波的方向性注意力模块介绍2.1 WDAM小波的方向性注意力模块结构图2.2WDAM模块的作用：2.3 WDAM模块的原理2.4WDAM模块的优势三、完整核心代码四、手把手教你配置模块和修改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1🔥: yolo26_WDAM.yaml🚀创新改进2🔥: yolo26_WDAM-2.yaml🚀创新改进3🔥: yolo26_C3k2_WDAM.yaml🚀创新改进4🔥: yolo26_C2PSA_WDAM.yaml六、正常运行二、WDAM小波的方向性注意力模块介绍摘要：闪烁伪影源于光照不稳定性和行间曝光不一致，在短曝光摄影中构成重大挑战，会严重损害图像质量。与噪声、低光等典型伪影不同，闪烁是一种具有特定时空特征的结构化退化现象，而当前通用修复框架未能充分考虑这些特征，导致闪烁抑制效果欠佳并产生重影伪影。本研究揭示闪烁伪影具有周期性和方向性两大固有特征，并提出基于变换器架构的Flickerformer模型，该模型能有效消除闪烁伪影且不引入重影效应。具体而言，Flickerformer包含三个核心组件：基于相位的融合模块（PFM）、自相关前馈网络（AFFN）以及基于小波的方向性注意力模块（WDAM）。基于周期性特征， PFM 通过帧间相位相关性自适应聚合突发特征； AFFN 则利用自相关技术捕捉帧内结构规律，协同提升网络对空间重复模式的感知能力。此外，受闪烁伪影方向性特征驱动， WDAM 通过小波域高频变化引导低频暗区修复，实现对闪烁伪影的精准定位。大量实验表明，Flickerf