一、本文介绍⭐本文将使用SPJFB 联合频率增强模块改进YOLO26网络模型，利用小波域与傅里叶域的互补特性对特征进行针对性增强，其中低频信息侧重恢复整体亮度、曝光和全局结构，高频信息侧重强化目标边缘、纹理和细节，同时结合图像自身提取的结构先验和梯度先验，对有效目标区域进行重点增强并减少噪声干扰。 这种方式能够改善低照度、弱对比度以及复杂背景条件下YOLO26输入特征的质量，使小目标、模糊目标和边缘不明显目标获得更加清晰的特征表达，从而有利于提高目标定位与识别能力。SPJFB采用频率分解和差异化处理方式，在增强全局信息的同时保留局部细节，并具有较低的计算复杂度和一定的即插即用能力， 因此与本身强调实时检测和高效部署的YOLO26具有较好的结构互补性，可在尽量控制额外计算开销的情况下增强网络对暗光、小目标和复杂场景的检测能力。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、SPJFB 联合频率增强模块介绍2.1，SPJFB 联合频率增强模块的结构图2.2，SPJFB模块的核心思想2.3，SPJFB模块的作用2.4，SPJFB模块的原理2.5适用任务领域三、核心模块完整实现代码四、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🚀六、成功运行结果演示二、SPJFB 联合频率增强模块介绍摘要：当前的暗图像恢复方法普遍存在严重的效率瓶颈，这些问题主要源于：(1) 依赖外部先验信息（手动或跨模态）所带来的计算负担与误差校正成本；(2) 复杂多阶段增强处理流程中的冗余操作；以及 (3) 频域方法中对所有频率分量进行无差别处理，导致过高的全局计算需求。为应对这些挑战，我们提出一种高效的自挖掘先验引导联合频域增强网络（SPJFNet）。具体而言，我们首先引入了一个自挖掘引导模块（SMGM），该模块直接从网络中生成轻量级内生引导信号，从而消除对外部先验信息的依赖，进而规避误差校正带来的额外开销，并提升推理速度。其次，通过对不同频域特性的细致分析，我们通过无损小波分解和基于傅里叶变换的优势联合频域增强技术，将