一、本文介绍⭐本文在YOLO26模型中引入CGAFusion特征融合模块，CGAFusion利用内容引导注意力对不同层级特征进行自适应加权融合，根据当前目标区域的实际内容动态调节浅层细节特征和深层语义特征的贡献，从而缓解传统相加或拼接方式中不同感受野特征之间的信息不匹配问题。 其中，浅层特征能够为小目标和边界定位提供更加丰富的纹理、轮廓与空间细节，深层特征则能够提供更强的类别语义和上下文信息，CGAFusion通过CGA生成细粒度空间权重，使网络更加关注各通道中的关键目标区域并抑制无效背景信息，同时保留跳跃连接以增强信息传递和梯度传播。YOLO26创新专栏目录：YOLO26涨点改进目录| 含Conv卷积、主干网络、注意力机制、Neck特征融合、检测头、知识蒸馏、模型剪枝、轻量化改进、损失函数、二次创新C2PSA/C3k2等各种顶会顶刊创新改进YOLO26订阅专栏地址：全新YOLO26独家创新改进，适合高效发表SCI和CCF小论文、大论文写作。本文目录一、本文介绍二、CGAFusion特征融合介绍2.1，CGAFusion特征融合的结构图2.2，CGAFusion特征融合的核心思想2.3，CGAFusion特征融合的作用2.4，CGAFusion特征融合的原理2.5适用任务领域三、核心模块的完整实现代码四、手把手添加步骤4.1 修改一4.2修改二4.3修改三五、yaml模型文件创新改进版本1🚀创新改进版本2🚀创新改进版本3🚀六、成功运行结果演示二、CGAFusion特征融合介绍摘要：单图像去雾处理是一个具有挑战性的不适定问题，其目标是从观测到的雾霾图像中估计出无雾霾的潜在图像。部分现有的基于深度学习的方法致力于通过增加卷积层的深度或宽度来提升模型性能；然而，卷积神经网络（CNN）结构的学习能力尚未得到充分探索。本文提出一种细节增强注意力块（DEAB），该块由细节增强卷积（DEConv）和内容引导注意力（CGA）构成，旨在增强特征学习能力以改善去雾性能。具体而言，DEConv将先验信息整合到常规卷积层中，从而增强其表征能力和泛化能力；随后通过使用重参数化技术，将DEConv等效转换为一个不含额外参数及计算成本的普通卷积层。通过为每个通道分配独特的空间重要性映射（SIM），CGA能够关注到特征中编码的更有用信息。此外，本文还提