小目标检测长期受困于微小目标固有的特征稀缺问题，而空间域检测器的常规操作又会不加区分地丢弃关键的高频细节，使这一瓶颈进一步恶化。在空间域内恢复这些脆弱的线索极为困难，通常需要计算昂贵的架构上采样，但这又会无意中放大背景噪声。为弥合这一差距，该研究提出将特征处理从空间域转向频谱域，给出了一套整体解决方案，其核心创新点包括以下三方面。
首先，作者构建了一个通用的频率引导特征表示框架，能够泛化适配多种检测器架构，既包括基于CNN的模型，也包括基于Transformer的模型，为纯空间域特征提取提供了一种更稳健的替代方案。与依赖空间域卷积和上采样的传统路线不同，该框架力图在频域中直接建模和保留那些对微小目标定位至关重要的高频成分。
其次，研究提出了统一的分解—增强—重构（Decompose–Enhance–Reconstruct，DER）算子。该算子通过三个轻量、可即插即用的模块实现：小波差分门控（Wavelet-Difference Gate，WDG）、Log-Gabor增强器（Log-Gabor Enhancer，LGE）以及频率驱动头（Frequency-Driven Head，FDHead）。这三个模块分别被嵌入到检测器的骨干网络、颈部网络和检测头中，从而系统性地将频率感知调制注入整个检测流水线。这一机制的关键在于将特征建模与分辨率降低解耦，在捕获判别性高频分量的同时显著减少参数冗余，进而实现更精确的定位。
在实验验证方面，作者在多个领域的基准数据集上进行了广泛测试，涵盖VisDrone2019、UAVDT、TinyPerson和DOTAv1，结果一致显示所提方法带来稳定增益。尤其值得注意的是，基于该框架构建的DERNet系列模型在相同规模下性能超过YOLOv11模型，而参数量仅为其六分之一。论文还辅以严格的频谱诊断和误差分解分析来支撑这些结论。该工作由Yuhan Rui等十位作者完成，于2026年6月22日提交至arXiv，属于计算机视觉与模式识别（cs.CV）以及人工智能（cs.AI）领域。