该研究提出了一种全方位图像恢复方法，通过从频率角度出发，利用先进的视觉变换器来处理多种类型的退化，以提取图像的退化表示并引导模型适应性地恢复退化的图像。实验证明，该方法在去噪、去雨、去雾和去模糊等四个典型恢复任务中优于现有方法，并且能够处理空间变异的退化和未知退化水平。
Jun, 2024
利用频率偏差进行图像恢复，以解决正常重建保真度和异常重建区分性之间的权衡问题，提出了一种新的自监督图像恢复任务 —— 频率感知图像恢复（FAIR），在各种缺陷检测数据集上以更高的效率实现了最先进的性能。
Sep, 2023
该研究论文引入了一种新颖且简单的频率分布损失（FDL）来解决深度学习图像转换方法中常见的问题，通过在频率域内计算分布距离来克服依赖像素级准确对齐的配对数据集所带来的挑战，并证明了 FDL 相比现有的鲁棒性较差的损失函数在图像增强和超分辨率任务中的优越性。
Feb, 2024
通过频域挖掘和调制，我们提出了一种自适应的全功能图像恢复网络，该网络能够根据不同的输入降解类型强调信息丰富的频带，从而实现逐步引导的恢复。广泛的实验证明，该方法在去噪、去雾、去雨、运动去模糊和低光图像增强等不同图像恢复任务上实现了最先进的性能。
Mar, 2024
本文提出了两种高 / 低频鲁棒性混合的专家模型以及一种最小化卷积特征图总变差 (TV) 的正则化方法，成功应用于诸如 ImageNet-C 以及汽车数据集等多种实际环境的图像分类和目标检测任务，同时提升了在受损图像方面的鲁棒性。
Mar, 2021
基于频率导向变换的端到端图像压缩模型能够提高图像压缩性能并保持语义相容性。
Jan, 2024
本文提出了一种新方法，利用频域改善和统一曝光校正任务处理，引入整体频率关注和动态频率前馈网络，用于提取全局信息和动态选择重要频带进行图像恢复。此外，采用拉普拉斯金字塔将图像分解为不同的频带，通过多个修复器分别恢复特定频带信息，最终统一了低光增强、曝光校正和多曝光融合这三个任务，并在主流数据集上取得了最先进的结果。
WaveFace 通过在频域中分别处理低频和高频成分，解决了扩散模型在时间和身份保留方面的问题，高频成分通过统一网络处理，从而在身份保留和效率方面超越现有的扩散模型基础的 BFR 方法。
本文提出一种基于反馈机制的面向难度级别泛化的深度卷积神经网络图像修复模型自动生成的算法，旨在避免 “固定” 模型对于固定难度级别的训练。实验表明，在四个图像修复任务上，本算法均优于传统训练和课程学习替代方案。
Dec, 2016
通过 DCT 领域的空频转换器（DCTransformer）以及量化矩阵嵌入和亮度 - 色度对齐技术，本研究提出的方法在去除 JPEG 图像伪影方面优于现有技术。
Aug, 2023