0. 前言本文介绍UPT（不确定性先验Transformer模块），并将其集成到ultralytics最新发布的YOLO26目标检测算法中，构建C2PSA_UPT创新模块。UPT是一种基于不确定性感知的注意力机制，源自UCMNet图像复原架构，旨在通过估计特征图的空间不确定性来引导上下文特征的动态检索与聚合。将UPT嵌入YOLO26的C2PSA模块中，能够显著增强模型对低质量输入（模糊、噪声、低光照）中的潜在目标的感知能力，赋予模型“知道自己哪里没看清”的元认知能力，尤其适用于边防无人机巡检、雾天海上搜救、红外弱小目标探测、工业CT图像缺陷检测等目标与背景对比度低、易受成像退化干扰的高难度场景，在保持实时性的同时，大幅提升模型在复杂退化环境下的鲁棒性与召回率。专栏链接：YOLO系列算法改进专栏链接专栏文章：YOLO26改进系列 | 卷积篇、轻量化、注意力、损失函数、Backbone、SPPF、C2PSA、Neck、检测头全方面保姆级优化合集 | 同样适配YOLOv11改进！！！目录0. 前言1.UPT模块简介2.UPT模块原理与创新点🧠UPT模块基本原理🎯 UPT模块创新点3.具体改进步骤🍀🍀步骤1：创建C2PSA_UPT.py文件🍀🍀步骤2：tasks.py文件修改🍀🍀步骤3：创建YAML配置文件🍀🍀步骤4：新建train.py文件训练模型🍀🍀步骤5：模型结构打印结果1.UPT模块简介我们提出了一种轻量级的不确定性感知上下文记忆网络（UCMNet），用于屏下摄像头图像恢复。不同于以往采用统一恢复的方法，UCMNet通过不确定性感知的自适应处理，在退化程度各异的空间区域恢复高频细节。通过不确定性驱动的损失函数学习得到的估计不确定性图，量化了由衍射和散射引起的空间不确定性，并引导记忆银行从上下文银行中检索区域自适应上下文。这一过程使得UCMNet能够有效建模屏下摄像头成像固有的非均匀退化特性。利用这种不确定性作为先验，UCMNet在多个基准测试上取得了最先进的性能，同时参数量比以往模型减少了30%。原始论文：https://arxiv.org/pdf/2604.00381原始代码：