遥感图像超分辨率是地理测绘、变化监测等地学应用的关键技术道路、建筑轮廓等曲线与脊线结构直接决定应用精度却易在下采样中失真破损。传统 Transformer 全局注意力计算复杂度高难以处理大尺寸遥感图像现有高效注意力又未融入几何先验无法聚焦高曲率区域、保持长线结构连贯导致重建出现锯齿、断裂等问题。为此作为 CGA 架构全局分支的曲率引导令牌注意力CGTA被提出以曲率驱动实现轻量化全局特征交互兼顾计算效率与曲线结构保真。基础模型改进后的1. CGTA原理CGTA 以曲率为核心几何先验采用两阶段稀疏全局交互方式既解决了传统全局注意力计算复杂的问题又能保障长距离曲线结构的空间一致性。第一阶段通过曲率感知与可靠性融合筛选出曲线、边缘等高价值令牌剔除背景冗余特征第二阶段仅对少量核心令牌做混合交叉注意力计算兼顾特征稳定性与曲线区域聚合将计算复杂度从 O (N²) 降至近线性 O (Nk)以极低计算成本实现曲线结构连贯与几何特征保真。CGTA 为轻量化双阶段模块化设计具备即插即用特性可灵活嵌入 Transformer 与 CNN 网络核心包含两大模块曲率感知令牌筛选通过深度卷积等操作生成曲率显著图结合可靠性图抑制噪声依据自适应策略筛选 Top‑k 高价值令牌高效压缩冗余特征。混合交叉注意力融合对全局特征生成降维查询向量为筛选令牌生成键、值向量并做置信度门控融合标准与曲率调制注意力完成特征聚合输出兼顾全局关联、结构保真与计算高效的特征图。2. YOLO与CGTA的结合将 CGTA 融入 YOLO 检测框架借助曲率感知令牌筛选可大幅减少大尺度遥感图像的特征计算量提升推理速度与显存利用率适配 YOLO 实时检测需求。同时曲率引导注意力能强化目标边缘与细长结构的特征表达让 YOLO 更精准定位小目标、密集目标和曲线型地物在几乎不增加计算负担的前提下同步提升检测效率与精度。3. CGTA 二次创新-ACGTA多尺度曲率感知CGTA 仅用单尺度 3×3 卷积提取曲率ACGTA 采用 3×3/5×5/7×7 多尺度深度卷积融合特征适配遥感图像不同尺度的曲线结构。双向注意力交互CGTA 仅使用全局交叉注意力ACGTA 新增 Token 局部自注意力构建全局 局部的双向注意力强化曲率结构的空间关联。曲率门控特征增强CGTA 无针对性特征加权ACGTA 加入曲率门控模块自适应强化高曲率关键区域、平滑背景提升细节重建效果。维度鲁棒性优化CGTA 的 CPE 维度变换易引发报错ACGTA 统一维度管理逻辑修复张量形状冲突模块运行更稳定、兼容性更强。精细化特征调制CGTA 仅用两组参数调制注意力ACGTA 新增可学习参数 γ 加权局部注意力实现更灵活的特征融合提升网络自适应能力。4.CGTA代码部分YOLO11|YOLO12|YOLO26|改进| 空间 - 通道特征调制器SCFM通过空间与通道双分支注意力协同调节融合全局与局部特征弥补丢失细节_哔哩哔哩_bilibiliYOLOv11模型改进讲解教您如何修改YOLOv11_哔哩哔哩_bilibiliYOLOv11 原理代码 详细剖析_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1HnosYREZJ/?spm_id_from333.1387.collection.video_card.click代码获取YOLOv8_improve/YOLOv11.md at master · tgf123/YOLOv8_improve5. CGTA到YOLOv26中第一: 将下面的核心代码复制到D:\model\yolov26\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​​​​​​​ ​​​​​​​​​​​​​​ ​​​​​​​​​​​​​​ ​​​​​​​ ​​​​​​​ ​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​from ultralytics.models import NAS, RTDETR, SAM, YOLO, FastSAM, YOLOWorld import torch 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/home/tgf/tgf/yolo/model/YOLO11_All/ultralytics/cfg/models/11/yolo11_CGTA.yaml)\ # .load(r/home/tgf/tgf/yolo/model/YOLO11_All/yolo11n.pt) # build from YAML and transfer weights results model.train(data/home/tgf/tgf/yolo/model/YOLO11_All/ultralytics/cfg/datasets/VOC_my.yaml, epochs300, imgsz640, batch4, # emaFalse, # cache False, # single_cls False, # 是否是单类别检测 # workers 0, # resumerD:/model/yolov8/runs/detect/train/weights/last.pt, amp False )