38 YOLOv11夜间检测增强：多光谱特征融合与自监督去噪开篇故事上个月，我一个做智慧安防的朋友深夜给我打电话：“哥，你上次教的夜间增强方法，我试了AP确实涨了，但有个新问题——一到下雨天，模型就崩了，把雨滴误检成行人，还把积水反光当成车辆。”他发来一段监控视频，画面里路灯下的雨丝像无数条发光的丝线，地面上的积水倒映着霓虹灯，模型在那疯狂输出检测框。这种场景你肯定不陌生。夜间检测本来就难，加上雨雾、反光、低照度，传统的图像增强方法往往会放大噪声。我当时的方案是把RGB图像转成HSV空间做直方图均衡，但雨滴和噪声也被一并增强了。这就像给一张满是划痕的老照片加锐化——划痕比人脸还清晰。痛点拆解常见误区：把“增强”当“修复”很多同学的做法是直接对输入图像做CLAHE（对比度受限自适应直方图均衡化）或Retinex增强，然后喂给模型。但这里有个致命问题：反例代码：defnaive_night_enhance(img)
38 YOLOv11夜间检测增强：多光谱特征融合与自监督去噪开篇故事上个月，我一个做智慧安防的朋友深夜给我打电话：“哥，你上次教的夜间增强方法，我试了AP确实涨了，但有个新问题——一到下雨天，模型就崩了，把雨滴误检成行人，还把积水反光当成车辆。”他发来一段监控视频，画面里路灯下的雨丝像无数条发光的丝线，地面上的积水倒映着霓虹灯，模型在那疯狂输出检测框。这种场景你肯定不陌生。夜间检测本来就难，加上雨雾、反光、低照度，传统的图像增强方法往往会放大噪声。我当时的方案是把RGB图像转成HSV空间做直方图均衡，但雨滴和噪声也被一并增强了。这就像给一张满是划痕的老照片加锐化——划痕比人脸还清晰。痛点拆解常见误区：把“增强”当“修复”很多同学的做法是直接对输入图像做CLAHE（对比度受限自适应直方图均衡化）或Retinex增强，然后喂给模型。但这里有个致命问题：反例代码：defnaive_night_enhance(img)
)
