问题分析:1.低对比度数据集的挑战在低对比度图像中，物体的边缘模糊，与背景的界限不清晰。这会导致模型在预测边界框时，其中心点位置和宽高尺寸容易产生较大的不确定性和波动。标准的 IoU 对这种定位误差非常敏感，即使两个框的重叠度很高，只要中心点或尺寸稍有偏差，IoU 值就可能急剧下降，这会给模型训练带来不稳定的梯度信号。创新思路:2. 创新思路：平滑的 CIoU (Smooth CIoU, SCIoU)为了应对上述挑战，我们需要一个对边界框定位误差更具容忍度的 IoU 变体。我们的核心思想是：在 CIoU 的基础上，对其惩罚项（中心点距离和长宽比差异）进行平滑处理，使其在定位误差较小时，惩罚力度接近 CIoU；而在误差较大时，惩罚力度的增长速度放缓，从而避免梯度的剧烈震荡。