在復雜視覺環境中，如低光照、霧天或遠距離拍攝等場景下，圖像質量下降導致目標模糊，使得傳統目標檢測模型難以實現高精度識別。YOLO系列作為主流單階段檢測框架，在速度和精度方面表現出色，但在模糊和小目標場景中仍存在性能瓶頸。本文提出一種面向 YOLOv12 的創新性改進方法，引入 ICCV 2023 提出的空間自適應特征調制模塊(SAFM) ，替代傳統上采樣操作，通過多尺度特征表示 與動態空間調制機制 ，有效增強非局部特征交互能力，顯著提升模型在模糊和小目標場景下的檢測精度。

1. 研究背景

在YOLOv12架構中，上采樣過程通常依賴雙線性插值或轉置卷積操作，這些方法雖然計算高效，但難以恢復圖像的高頻細節，尤其在模糊或小目標區域容易產生偽影或誤檢。

SAFM模塊通過以下機制彌補這一缺陷：

1. 利用非局部特征交互增強上下文感知；
2. 引入動態空間調制實現像素級增強；
3. 多尺度融合提高魯棒性與泛化能力；
4. 結構設計兼顧效率與性能平衡。

因此，我們將SAFM模塊嵌入