一、本文介绍⭐本文在YOLO26中引入CCSM 聚类中心扫描模块，先将大量像素特征压缩为少量具有代表性的语义聚类中心，仅在中心序列上进行全局状态空间扫描，再依据像素与中心的相似性把上下文信息扩散回整幅特征图，从而在保留全局感受野的同时显著降低逐像素建模带来的计算量和显存占用；该设计有助于增强远距离目标、同类目标与复杂场景之间的全局关联，提升航拍、遥感、密集小目标和超高分辨率检测中的目标辨识能力，并通过软聚类避免完全丢弃普通像素信息。相比完整自注意力或像素级Mamba扫描，CCSM具有计算开销低、全分辨率适应性强、语义冗余利用充分和端到端可学习等优势。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、CCSM 聚类中心扫描模块介绍2.1，CCSM 聚类中心扫描模块的结构图2.2，CCSM 聚类中心扫描模块的核心思想2.3，CCSM 聚类中心扫描模块的作用2.4，CCSM 聚类中心扫描模块的原理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、创新改进yaml模型文件创新改进版本1🚀创新改进版本2🚀六、成功运行结果演示二、CCSM 聚类中心扫描模块介绍摘要：超高清（UHD）图像恢复技术正深陷可扩展性危机：现有模型受限于逐像素操作，需要消耗不可持续的计算资源；而像Mamba这样的状态空间模型虽承诺线性复杂度，但其逐像素扫描方式仍是处理 UHD 内容中数百万像素时的根本瓶颈。我们提出疑问：是否必须处理每个像素才能理解图像？本文介绍了C2SSM——一种视觉状态空间模型，它通过从逐像素扫描转向聚类扫描，打破了这一传统限制。我们的核心发现是： UHD 图像丰富的特征分布可通过神经参数化混合模型提炼为一组稀疏的语义质心。C2SS
一、本文介绍⭐本文在YOLO26中引入CCSM 聚类中心扫描模块，先将大量像素特征压缩为少量具有代表性的语义聚类中心，仅在中心序列上进行全局状态空间扫描，再依据像素与中心的相似性把上下文信息扩散回整幅特征图，从而在保留全局感受野的同时显著降低逐像素建模带来的计算量和显存占用；该设计有助于增强远距离目标、同类目标与复杂场景之间的全局关联，提升航拍、遥感、密集小目标和超高分辨率检测中的目标辨识能力，并通过软聚类避免完全丢弃普通像素信息。相比完整自注意力或像素级Mamba扫描，CCSM具有计算开销低、全分辨率适应性强、语义冗余利用充分和端到端可学习等优势。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、CCSM 聚类中心扫描模块介绍2.1，CCSM 聚类中心扫描模块的结构图2.2，CCSM 聚类中心扫描模块的核心思想2.3，CCSM 聚类中心扫描模块的作用2.4，CCSM 聚类中心扫描模块的原理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、创新改进yaml模型文件创新改进版本1🚀创新改进版本2🚀六、成功运行结果演示二、CCSM 聚类中心扫描模块介绍摘要：超高清（UHD）图像恢复技术正深陷可扩展性危机：现有模型受限于逐像素操作，需要消耗不可持续的计算资源；而像Mamba这样的状态空间模型虽承诺线性复杂度，但其逐像素扫描方式仍是处理 UHD 内容中数百万像素时的根本瓶颈。我们提出疑问：是否必须处理每个像素才能理解图像？本文介绍了C2SSM——一种视觉状态空间模型，它通过从逐像素扫描转向聚类扫描，打破了这一传统限制。我们的核心发现是： UHD 图像丰富的特征分布可通过神经参数化混合模型提炼为一组稀疏的语义质心。C2SS
)
