本文提出了一种基于频率空间领域随机化的方法（FSDR），通过将图像分解成不变频率成分（DIFs）和变异频率成分（DVFs）进行随机化，实现了更可控的域随机化过程，并在多个领域泛化任务上展示了优异的分隔性能。

Mar, 2021

使用频率领域的知识蒸馏方法进行密集预测任务时，Frequency Knowledge Distillation（FreeKD）在吸收语义频率上下文、定位像素兴趣点和提供高阶空间增强等方面取得了比基于空间的蒸馏方法更好的效果。

Nov, 2023

通过频域学习提高深伪造图像检测器的泛化性能，包括使用频率级别的伪造检测方法和一个特定设计的频域学习模块，实现了先进的性能 (+9.8%)，并且所需参数更少。

Mar, 2024

该研究提出了一种基于频域的图像翻译框架（FDIT），能够保留源领域的标志性特征，生成视觉质量更优且类真实的图像。

Nov, 2020

本研究提出了一种称为 Deep Frequency Filtering（DFF）的技术，可以通过调节深度神经网络中的不同频率组件来学习域通用特征在跨域转移时具有更好的泛化能力。通过 Fast Fourier Transform（FFT）技术和注意力机制，DFF 可以增强可转移的频率成分并抑制不利于泛化的成分。在多种跨域泛化任务中，DFF 优于现有技术并获得了最佳性能。

Mar, 2022

基于深度生成模型的高效联邦学习数据集精简框架，在服务器端显著减少本地设备的计算和通信需求，提高客户端隐私，同时有效降低资源利用，通过理论分析和实证证据验证了其在高度异构的联邦学习环境中相较于非数据集精简技术的优越性，准确性提升高达 40%，超过已有的数据集精简方法 18%。

Dec, 2023

本文介绍一种基于单个信号变换的频域学习模型，通过方差保持初始化方法和频率选择技术，可以简化模型设计，从而在各种动态系统的学习中获得更高的测试性能和更少的计算成本。

Nov, 2022

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

FedKDF 是一种无数据蒸馏的联邦学习方法，通过轻量级生成器从不同客户端中聚合知识，进而实现高效、隐私保护的胸部疾病分析。

Oct, 2023

本论文描述了一种简单的无监督领域适应方法，通过交换低频谱来减少源和目标分布之间的差异，该方法在语义分割中实现了最新的性能，并且不需要对离散领域选择变量进行不变的神经网络背骨的敌对优化。

Apr, 2020