在图像去模糊领域，多尺度架构虽被广泛应用，但存在固有缺陷。在渐进恢复过程中，由于底层空间分辨率小，向上传递的特征语义精确但空间模糊，导致多尺度网络在空间细节恢复能力上受限。为提升高频细节部分的恢复质量，引入频率域变换成为一种思路。离散小波变换（DWT）因在处理突变信号图像及利用现实模糊轨迹连续性方面具有优势，被考虑应用于算法中。为使 2D - DWT 更贴合数据分布和特征层空间，作者设计了 LWN，通过可学习的方式增强算法对细节信息的恢复能力。

1. 可学习小波变换节点LWN介绍 

        小波变换可将信号分解为高频和低频分量，分解出代表细节的高频部分和反映大致轮廓的低频部分,让我们能从不同频率角度分析信号。

        LWN 围绕小波卷积构建。先通过小波卷积层将输入特征图投影到小波域，接着分离小波域分量，用深度卷积提取变换特征，再经 1×1 卷积扩展缩放通道，最后经小波逆变换将特征图还原到空间域输出。

 2. 接下来，我们将详细介绍如何将LWN合集成到 YOLOv8 模型中        

这是我的GitHub代码：tgf123/YOLOv8_improve (github.com)

这是改进讲解：YOLOv8模型改进 第二十九讲 添加可学习小波变换节点 Learnable Wavelet Transform Node 提高小目标检测能力，增强细节特征_哔哩哔哩_bilibili

2.1  如何添加

        1. 首先，在我上传的代码中yolov8_improve中找到LWN.py代码部分，它包含两个部分一个是LWN.py的核心代码，一个是yolov8模型的配置文件。 

​​​​​       

        2. 然后我们在ultralytics文件夹下面创建一个新的文件夹，名字叫做change_models, 然后再这个文件夹下面创建LWN.py文件，然后将LWN的核心代码放入其中

​

    3. 在 task.py文件中导入C2f_LWN

​

     4. 然后将C2f_LWN添加到下面当中

​

        5. 最后将配置文件复制到下面文件夹下

​

        6. 运行代码跑通 

from ultralytics.models import NAS, RTDETR, SAM, YOLO, FastSAM, YOLOWorld

if __name__=="__main__":

    # 使用自己的YOLOv8.yamy文件搭建模型并加载预训练权重训练模型
    model = YOLO(r"D:\model\yolov8\ultralytics\cfg\models\v8\yolov8_LWN.yaml")\
        .load(r'D:\model\yolov8\yolov8n.pt')  # build from YAML and transfer weights

    results = model.train(data=r'D:\model\yolov8\ultralytics\cfg\datasets\VOC_my.yaml',
                          epochs=300,
                          imgsz=640,
                          batch=32,
                          # cache = False,
                          # single_cls = False,  # 是否是单类别检测
                          # workers = 0,
                         # resume=r'D:/model/yolov8/runs/detect/train/weights/last.pt',
                          amp = False
                          )