????????在惡劣天氣（如雨、雪、霧）下的圖像恢復任務中，傳統 Transformer 模型為降低計算量，常將自注意力限制在固定空間范圍或僅在通道維度操作，導致難以捕捉長距離空間特征，尤其無法有效處理天氣退化像素（如雪花、雨滴）與清晰背景像素的差異。為解決這一局限，研究者提出了 Histogram Transformer Block（HTB），作為 Histoformer 的核心組件，旨在通過動態范圍的特征處理機制，實現對長距離相似退化特征的精準捕捉，同時兼顧局部與全局特征融合，提升惡劣天氣下圖像恢復的效率與精度。
1.HTB?原理
????????HTB 的核心原理是通過動態范圍特征分組與針對性注意力機制，突破傳統卷積和自注意力的局限：
????????動態范圍直方圖自注意力（DHSA）：將空間特征按像素強度排序并劃分為多個 “強度箱（bin）”，在箱內或箱間應用自注意力。這使得模型能針對性聚焦于動態范圍內的相似特征（如同一強度的雪花或雨滴），將長距離的退化像素統一處理，同時通過 Bin-wise 重塑（全局范圍特征整合）和 Frequency-wise 重塑（局部精細特征提取），平衡全局與局部信息。
????????動態范圍卷積：通過對像素進行水平和垂直排序，使卷積操作不再局限于相鄰像素，而是在相似強度的像素間進行，增強對天氣退化模式的捕捉能力。
????????雙尺度門控前饋（DGFF）：采用 5×5 普通卷積和 3×3 擴張卷積兩個并行分支，結合門控機制（通過激活函數生成門控圖篩選關鍵特征），提取多尺度、多范圍的特征，彌補單一尺度卷積對復雜天氣特征的漏檢。
????????HTB 的結構以 “特征增強 - 融合” 為核心，包含兩個關鍵模塊，整體遵循 “歸一化 - 處理 - 殘差連接” 的設計：
????????整體框架：輸入特征先經層歸一化（LN），送入 DHSA 模塊處理后與原始特征殘差相加；再經層歸一化，送入 DGFF 模塊處理后再次殘差相加，輸出增強后的特征。
????????DHSA 模塊：內部包含動態范圍卷積（對特征分分支排序后卷積）和直方圖自注意力（通過兩種重塑機制生成箱內 / 箱間注意力圖，再融合），最終將特征恢復至原始空間順序。
????????DGFF 模塊：先通過 1×1 卷積擴展通道，分兩個分支分別用 5×5 深度卷積和 3×3 擴張深度卷積提取特征，再通過門控機制（Mish 激活后的分支特征與另一分支特征逐元素相乘）融合，最后通過 1×1 卷積壓縮通道輸出。
2.HTB?習作思路
HTB 在目標檢測中的優點
????????HTB 憑借動態范圍自注意力對長距離相似特征的捕捉能力，能有效聚合惡劣天氣下被干擾的目標特征（如被雨霧遮擋的車輛、被雪花覆蓋的行人），減少天氣噪聲對目標特征一致性的破壞；同時，雙尺度卷積機制可保留目標的多尺度細節（如小目標的邊緣、大目標的局部紋理），使檢測器更精準區分目標與背景，尤其在天氣導致目標特征模糊或碎片化的場景中，顯著提升檢測的召回率與定位精度。
HTB 在分割中的優點
????????HTB 通過直方圖自注意力維持像素間的強度關聯，能精準區分相似強度的前景（如目標）與背景（如被天氣影響的環境），避免因天氣導致的強度混淆；動態范圍卷積則增強了對模糊邊界（如霧中物體的邊緣、雪中植被的輪廓）的特征提取，結合雙尺度融合細化邊界細節，使分割結果在像素級上更貼合真實目標形態，尤其在天氣導致前景與背景過渡模糊的場景中，提升分割的邊界精度與區域一致性。
3. YOLO與HTB?的結合? ???? ? ?
????????YOLO 追求實時性與檢測效率，HTB 的動態范圍卷積和輕量化注意力設計（通過分箱機制減少計算量）能在增加有限計算負擔的同時，增強對惡劣天氣下特征的提取能力；其多尺度特征融合可與 YOLO 的特征金字塔網絡（FPN）互補，提升 YOLO 對小目標、模糊目標的識別速度與準確性，使其在復雜天氣場景中更穩健。
4.HTB?代碼部分
YOLO12模型改進方法，快速發論文，總有適合你的改進，還不改進上車_嗶哩嗶哩_bilibili
?代碼獲取：YOLOv8_improve/YOLOV12.md at master · tgf123/YOLOv8_improve · GitHub
5. HTB?引入到YOLOv12中
第一: 先新建一個v12_changemodel，將下面的核心代碼復制到下面這個路徑當中，如下圖如所示。E:\Part_time_job_orders\YOLO_NEW\YOLOv12\ultralytics\v12_changemodel。
????????????????????????????????????
?
第二：在task.py中導入包
?????????????????????????????????????????????
???????????????????????????????????????????????
第三：在task.py中的模型配置部分下面代碼
???????????????????????????????????????????????????????????????????????????????????
?
第四：將模型配置文件復制到YOLOV11.YAMY文件中
?????????????????????????????????????????????????????????????????????????????????????????????
? ???????????????????????????????????????????????第五：運行代碼
from ultralytics.models import NAS, RTDETR, SAM, YOLO, FastSAM, YOLOWorld
import torch
if __name__=="__main__":# 使用自己的YOLOv8.yamy文件搭建模型并加載預訓練權重訓練模型model = YOLO("/home/shengtuo/tangfan/YOLO11/ultralytics/cfg/models/11/yolo12_HTB")\# .load(r'E:\Part_time_job_orders\YOLO\YOLOv11\yolo11n.pt') # build from YAML and transfer weightsresults = model.train(data="/home/shengtuo/tangfan/YOLO11/ultralytics/cfg/datasets/VOC_my.yaml",epochs=300,imgsz=640,batch=4,# cache = False,# single_cls = False, # 是否是單類別檢測# workers = 0,# resume=r'D:/model/yolov8/runs/detect/train/weights/last.pt',amp = True)
