💡💡💡现有 YOLO C2f模块主要基于卷积与跨阶段部分连接，虽能平衡计算与精度，但仍存在以下问题：感受野受限：堆叠的小核卷积（如 3×3）感受野有限，难以捕获全局上下文，对尺度变化大或远距离依赖的目标（如小目标、遮挡目标）特征提取能力不足。特征混合效率低：通道间信息交互仅靠逐点卷积，缺乏显式的全局特征重校准，导致特征冗余且判别力弱。训练与推理成本：深层网络中为扩大感受野而增加卷积层数或核大小会显著增加参数量和 FLOPs，不利于边缘部署。🔍🔍🔍引入FourierSR可针对性解决上述问题，带来以下优势：全局感受野，极低开销：利用傅里叶变换与全局动态卷积，以接近 O(1) 的额外计算获得整图级感受野，突破局部卷积瓶颈。增强特征交互：通过通道 token 混合与实/虚部分治，促进跨通道信息交换，提升特征丰富度与判别能力。轻量即插即用：参数量和 FLOPs 增量仅为原 C3k2 的 0.6% 和 1.5%，不破坏原有结构，训练稳定且推理速度快于窗