Die Objektdetektion in Fernerkundungsbildern (Remote Sensing Object Detection, RSOD) leidet häufig unter Degradierungen wie geringer räumlicher Auflösung, Sensorrauschen, Bewegungsunschärfe und ungünstiger Beleuchtung. Diese Faktoren verringern die Unterscheidbarkeit von Merkmalen und führen zu mehrdeutigen Objektdarstellungen sowie unzureichender Trennung von Vorder- und Hintergrund. Bestehende RSOD-Methoden weisen Einschränkungen hinsichtlich der Robustheit bei der Erkennung von Objekten geringer Qualität auf. Um diesen drängenden Herausforderungen zu begegnen, stellen wir LEGNet vor – einen leichten Backbone-Netzwerk-Architektur mit einem neuartigen Edge-Gaussian-Aggregation (EGA)-Modul, das speziell darauf ausgelegt ist, die Merkmalsdarstellung aus Bildern geringer Qualität in der Fernerkundung zu verbessern. Das EGA-Modul integriert: (a) orientierungssensible Scharr-Filter zur Schärfung entscheidender Kanteninformationen, die bei Objekten mit geringem Kontrast oder Verschmierungen oft verloren gehen, sowie (b) eine auf der Gauß-Prior basierende Merkmalsverfeinerung zur Unterdrückung von Rauschen und Regulierung mehrdeutiger Merkmalsantworten, wodurch die Salienz des Vordergrunds unter schwierigen Bedingungen erhöht wird. Das EGA-Modul wirkt den verbreiteten Problemen reduzierten Kontrasts, struktureller Unterbrechungen und mehrdeutiger Merkmalsantworten in beeinträchtigten Bildern effektiv entgegen und verbessert dabei die Robustheit des Modells, ohne die Berechnungseffizienz zu beeinträchtigen. Umfassende Evaluierungen an fünf Benchmarks (DOTA-v1.0, v1.5, DIOR-R, FAIR1M-v1.0 und VisDrone2019) zeigen, dass LEGNet eine state-of-the-art-Leistung erzielt, insbesondere bei der Erkennung von Objekten geringer Qualität. Der Quellcode ist unter https://github.com/lwCVer/LEGNet verfügbar.