在图像去雾领域，传统的基于卷积神经网络（CNN）和 Transformer 的方法存在局限性。CNN 方法大多存在感受野不足的问题，限制了单个像素在神经网络中的参考范围，部分考虑大感受野的 CNN 方法又忽略了图像的多尺度特性；Transformer 方法虽有全局建模能力和大感受野，但参数数量庞大，训练成本高。同时，以往去雾网络中的注意力机制设计未充分考虑雾气分布的不均匀性，现有方法往往单独设计像素注意力模块和通道注意力模块，不能很好地编码大气光 A 和介质传输图 t (x)。为解决这些问题，提出 Mix Structure Block，将多尺度并行大卷积核模块和增强并行注意力模块相结合，以提升图像去雾效果。
上面是原模型，下面是改进模型
1. 混合结构模块Mix Structure Block介绍
多尺度并行大卷积核模块（MSPLCK）：大卷积核具有更大的有效感受野和更高的形状偏差，能通过扩大感受野在学习的潜在域空间中捕获更多结构化信息，帮助单个像素基于大范围周围像素恢复图像并还原物体形状；小卷积核则专注于细节特征，恢复纹理细节。不同大小的卷积核并行工作，可从不同尺度关注图像区域，提取多尺度特征，这些特征在通道维度上连接，再经多层感知器处理，既能融合不同类型特征，又能拟合去雾特征。
增强并行注意力模块（EPA）：根据大气散射模型，通道注意力更适合编码全局大气光 A，像素注意力更适合编码介质传输图 t (x)。通过并行简单像素注意力、通道注意力和像素注意力，可同时从原始特征中提取位置相关的局部信息和共享的全局信息，以更好地适应不均匀的雾气分布。这三种注意力机制的结果在通道维度连接后，经多层感知器处理，减少连接特征通道维度至与输入相同，并与原始特征相加，实现对原始特征的优化。
结合图片信息，MixStructureBlock的结构主要包含以下几个关键部分：
1. 多尺度并行大卷积核模块（MSPLCK）
批量归一化（Batch Norm）：输入特征图首先经过 Batch Norm 层，对数据进行归一化处理，加速模型训练的收敛速度，增强模型的稳定性。
卷积层：接着进入两个并行的卷积层，分别是 1×1 卷积和 5×5 卷积。1×1 卷积用于调整通道维度，5×5 卷积能获取相对较大范围的局部特征。
深度扩张卷积（DWConv）：经过卷积处理后的特征图分别进入三个并行的深度扩张卷积层，即 DWConv7、DWConv13 和 DWConv19，扩张率不同，可获取不同尺度的特征，其中较大的卷积核和扩张率能扩大感受野，捕获更多结构化信息。
特征融合与处理：三个深度扩张卷积层输出的特征图进行拼接（Concat），然后依次经过 1×1 卷积、GELU 激活函数和另一个 1×1 卷积。GELU 激活函数增加模型的非线性表达能力，两次 1×1 卷积进一步调整通道维度并融合特征，最后与输入特征图进行逐元素相加（Entry-Wise Addition），残差连接有助于梯度传播和避免梯度消失。
2. 增强并行注意力模块（EPA）
批量归一化（Batch Norm）：MSPLCK 模块的输出先经过 Batch Norm 层，再次对数据进行归一化，使数据分布更稳定。
注意力机制：接着数据被分流到三个并行的注意力模块，分别是简单像素注意力（Simple Pixel Attention）、通道注意力（Channel Attention）和像素注意力（Pixel Attention）。简单像素注意力关注局部像素间关系；通道注意力关注不同通道间的信息交互，编码全局大气光；像素注意力则侧重于捕捉位置相关的局部信息，编码介质传输图。
特征融合与处理：三个注意力模块的输出进行拼接（Concat），然后经过一个深度扩张卷积 DWConv7，进一步提取特征。之后依次经过 1×1 卷积、GELU 激活函数和另一个 1×1 卷积，调整通道维度并增强非线性表达。最后与该模块的输入特征图进行逐元素相加（Entry-Wise Addition），完成对特征的优化。
2. YOLOv11与MixStructureBlock的结合
本文使用MixStructureBlock替换C2PSA模块中的自注意力机制，使用多尺度结构和并行注意力方法增强YOLOv11模型的小目标和多尺度特征提取。
3. MixStructureBlock模块代码部分
YOLOv8_improve/YOLOv11.md at master · tgf123/YOLOv8_improve · GitHub
YOLOv11全部代码,现有几十种改进机制。
4. 将MixStructureBlock模块 引入到YOLOv11中
第一: 将下面的核心代码复制到D:\model\yolov11\ultralytics\change_model路径下，如下图所示。
第二：在task.py中导入包
第三：在task.py中的模型配置部分下面代码
第四：将模型配置文件复制到YOLOV11.YAMY文件中
第五：运行成功
from sympy import falsefrom ultralytics.models import NAS, RTDETR, SAM, YOLO, FastSAM, YOLOWorldif __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"E:\Part_time_job_orders\YOLO\YOLOv11\ultralytics\cfg\models\11\yolo11_MixStructure.yaml")\.load(r'E:\Part_time_job_orders\YOLO\YOLOv11\yolo11n.pt') # build from YAML and transfer weightsresults = model.train(data=r'E:\Part_time_job_orders\YOLO\YOLOv11\ultralytics\cfg\datasets\VOC_my.yaml',epochs=300,imgsz=640,batch=64,# 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 = True)
