一、本文介绍
本文给大家介绍一种MBRConv 卷积改进YOLO26模型！MBRConv 能显著提高图像增强质量，其在低光、复杂背景下的能力也同样适用于目标检测任务，特别是对小目标、遮挡目标和低质量图像的鲁棒性增强。含4种创新改进点！
🔥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、MBRConv模块介绍
MBRConv模块结构图
MBRConv卷积模块原理
MBRConv卷积模块的作用
三、MBRConv核心代码
四、手把手教你添加MBRConv模块和修改tasks.py文件
五、创建涨点yaml配置文件 (4种创新改进)
🚀 创新改进1: yolo26_C3k2_MBRConv3.yaml
🚀 创新改进2: yolo26_C3k2_MBRConv5.yaml
🚀 创新改进3: yolo26_MBRConv3.yaml
🚀 创新改进4: yolo26_MBRConv5.yaml
六、创新改进，正常运行演示
二、MBRConv模块介绍
摘要：近年来，深度神经网络在图像增强（IE）领域取得了显著进展。然而，由于计算量和内存消耗较高，将深度学习模型部署在资源受限的平台（如移动设备）上仍然具有挑战性。为了解决这一问题并实现移动端的实时图像增强，我们提出了一个极致轻量的卷积神经网络（CNN）框架，参数量仅约为 4K。该方法融合了重参数化机制与增量式权重优化（IWO）策略，确保模型高效运行。此外，我们还引入了特征自变换模块（FST）与分层双路径注意力机制（HDPA）来增强模型性能，并通过局部方差加权损失函数（LVW Loss）进行优化。借助这一高效框架，我们首次在保证图像质量的同时实现了高达 1100 帧每秒（FPS） 的实时图像增强推理速度，在多个图像增强任务中达成了速度与性能的最优平衡。
论文地址：
