在恶劣天气（如雨、雪、雾）下的图像恢复任务中，传统 Transformer 模型为降低计算量，常将自注意力限制在固定空间范围或仅在通道维度操作，导致难以捕捉长距离空间特征，尤其无法有效处理天气退化像素（如雪花、雨滴）与清晰背景像素的差异。为解决这一局限，研究者提出了 Histogram Transformer Block（HTB），作为 Histoformer 的核心组件，旨在通过动态范围的特征处理机制，实现对长距离相似退化特征的精准捕捉，同时兼顾局部与全局特征融合，提升恶劣天气下图像恢复的效率与精度。

1.HTB 原理

        HTB 的核心原理是通过动态范围特征分组与针对性注意力机制，突破传统卷积和自注意力的局限：

        动态范围直方图自注意力（DHSA）：将空间特征按像素强度排序并划分为多个 “强度箱（bin）”，在箱内或箱间应用自注意力。这使得模型能针对性聚焦于动态范围内的相似特征（如同一强度的雪花或雨滴），将长距离的退化像素统一处理，同时通过 Bin-wise 重塑（全局范围特征整合）和 Frequency-wise 重塑（局部精细特征提取），平衡全局与局部信息。

        动态范围卷积：通过对像素进行水平和垂直排序，使卷积操作不再局限于相邻像素，而是在相似强度的像素间进行，增强对天气退化模式的捕捉能力。

        双尺度门控前馈（DGFF）：采用 5×5 普通卷积和 3×3 扩张卷积两个并行分支，结合门控机制（通过激活函数生成门控图筛选关键特征），提取多尺度、多范围的特征，弥补单一尺度卷积对复杂天气特征的漏检。

        HTB 的结构以 “特征增强 - 融合” 为核心，包含两个关键模块，整体遵循 “归一化 - 处理 - 残差连接” 的设计：

        整体框架：输入特征先经层归一化（LN），送入 DHSA 模块处理后与原始特征残差相加；再经层归一化，送入 DGFF 模块处理后再次残差相加，输出增强后的特征。

        DHSA 模块：内部包含动态范围卷积（对特征分分支排序后卷积）和直方图自注意力（通过两种重塑机制生成箱内 / 箱间注意力图，再融合），最终将特征恢复至原始空间顺序。

        DGFF 模块：先通过 1×1 卷积扩展通道，分两个分支分别用 5×5 深度卷积和 3×3 扩张深度卷积提取特征，再通过门控机制（Mish 激活后的分支特征与另一分支特征逐元素相乘）融合，最后通过 1×1 卷积压缩通道输出。

2.HTB 习作思路

HTB 在目标检测中的优点

        HTB 凭借动态范围自注意力对长距离相似特征的捕捉能力，能有效聚合恶劣天气下被干扰的目标特征（如被雨雾遮挡的车辆、被雪花覆盖的行人），减少天气噪声对目标特征一致性的破坏；同时，双尺度卷积机制可保留目标的多尺度细节（如小目标的边缘、大目标的局部纹理），使检测器更精准区分目标与背景，尤其在天气导致目标特征模糊或碎片化的场景中，显著提升检测的召回率与定位精度。

HTB 在分割中的优点

        HTB 通过直方图自注意力维持像素间的强度关联，能精准区分相似强度的前景（如目标）与背景（如被天气影响的环境），避免因天气导致的强度混淆；动态范围卷积则增强了对模糊边界（如雾中物体的边缘、雪中植被的轮廓）的特征提取，结合双尺度融合细化边界细节，使分割结果在像素级上更贴合真实目标形态，尤其在天气导致前景与背景过渡模糊的场景中，提升分割的边界精度与区域一致性。

3. YOLO与HTB 的结合          

        YOLO 追求实时性与检测效率，HTB 的动态范围卷积和轻量化注意力设计（通过分箱机制减少计算量）能在增加有限计算负担的同时，增强对恶劣天气下特征的提取能力；其多尺度特征融合可与 YOLO 的特征金字塔网络（FPN）互补，提升 YOLO 对小目标、模糊目标的识别速度与准确性，使其在复杂天气场景中更稳健。

4.HTB 代码部分

YOLO12模型改进方法，快速发论文，总有适合你的改进，还不改进上车_哔哩哔哩_bilibili

 代码获取：YOLOv8_improve/YOLOV12.md at master · tgf123/YOLOv8_improve · GitHub

5. HTB 引入到YOLOv12中

第一: 先新建一个v12_changemodel，将下面的核心代码复制到下面这个路径当中，如下图如所示。E:\Part_time_job_orders\YOLO_NEW\YOLOv12\ultralytics\v12_changemodel。

 ​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​ 

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：运行代码

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("/home/shengtuo/tangfan/YOLO11/ultralytics/cfg/models/11/yolo12_HTB")\# .load(r'E:\Part_time_job_orders\YOLO\YOLOv11\yolo11n.pt')  # build from YAML and transfer weightsresults = model.train(data="/home/shengtuo/tangfan/YOLO11/ultralytics/cfg/datasets/VOC_my.yaml",epochs=300,imgsz=640,batch=4,# 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)