YOLOv12涨点改进| TGRS 2026 |独家创新首发、注意力改进篇|引入CGTA曲率引导的稀疏全局注意力，保持局部稳定性同时突出关键几何区域，含多种创新改进，促进YOLOv12所有任务高效涨点

一、本文介绍🔥本文给大家介绍利用 CGTA曲率引导的稀疏全局注意力模块 改进YOLOv12网络模型，CGTA模块通过基于曲率信息选择关键特征并进行稀疏全局注意力建模，使模型能够在较低计算成本下实现高效的全局结构信息传播。该模块不仅增强了对关键结构区域的关注能力，还有效提升了长距离结构的连续性和整体一致性，同时抑制背景干扰，从而在保证效率的同时显著提升特征表达能力。🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLOv12创新改进！🔥YOLOv12专栏改进目录：YOLOv12改进包含各种卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、A2C2f二次创新、独家创新等几百种创新点改进。全新YOLOv12改进专栏订阅链接：全新YOLOv12创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文本文目录一、本文介绍二、CGTA曲率引导的稀疏全局注意力模块介绍2.1 CGTA曲率引导的稀疏全局注意力模块结构图2.2 CGTA模块的作用2.3 CGTA模块的原理2.4 CGTA模块的优势三、完整核心代码四、手把手教你配置模块和修改tasks.py文件1.首先在ultralytics/nn/newsAddmodules创建一个.py文件2.在ultralytics/nn/newsAddmodules/__init__.py中引用​编辑3.修改tasks.py文件五、创建涨点yaml配置文件🚀创新改进1🔥: yolov12n_CGTA.yaml🚀创新改进2🔥: yolov12n_A2C2f_CGTA.yaml六、正常运行二、CGTA曲率引导的稀疏全局注意力模块介绍摘要：遥感（RS）图像超分辨率（SR）支持制图、监测和识别等下游任务；然而，编码场景拓扑的曲线结构和重复纹理在下采样时会产生混叠效应。没有几何先验的通用注意力往往会产生锯齿边缘和细节流失。为了解决这一问题，我们提出了曲率引导注意力（CGA），它在标准变换器框架内将曲率线索注入局部窗口注意力和基于token的全局聚合中。局部曲率引导注意力（LCGA）增强窗口内部的边缘和线条连续性，而曲率引导token注意力（CGTA）则以近线性复杂度选择全局信息丰富的token，避免了重量级全局模块和额外分支。所设计的结构在不损害自然区域的情况下，保留了结构布局和纹理规则性，并可与传统残差组（RGs）集成。在各类数据集和尺度因子上，CGA实现了比最先进的SR模型更高的重建保真度，定性结果显示几何结构更清晰、伪影更少。消融实验分别验证了各个组件的作用并确认其互补性效益，而一个面向效率的变体在更严格的内存和延迟条件下依然保持了主要趋势。我们进一步在没有模拟退化的实际遥感图像上验证了CGA。这些研究表明，曲率引导是遥感图像超分辨率的一种有效且可行的归纳偏置，能够在不同场景和尺度下同时提升整体和类别级性能，同