提出了一种新的基于频率特征的双卷积神经网络评估方法，用于检测和评估图像中的条纹状伪影，并揭示了伪影强度与感知视觉质量之间的强相关性。

Nov, 2023

通过选择具有代表性的少量波段从数百个波段中提取关键信息是克服高光谱成像的缺点（昂贵、捕获延迟和低空间分辨率）并使其广泛适用的关键技术。本研究提出了首个带选择搜索基准（BSS-Bench），该基准包含 52k 个训练和评估记录，用于各种高光谱分析任务的多个波段组合，旨在使带选择方法易于重现和比较。通过 BSS-Bench，可以轻松重现带选择实验，并衡量搜索结果与最佳性能之间的差距。此外，本研究还提出了一种高效的单次训练的带选择方法（SCOS），通过一次训练学习任何波段组合的优先级，消除了不同波段组合的重复重新训练的需求。经过广泛评估，证明了 SCOS 在多个任务上优于当前带选择方法，即使使用较少的波段。

Dec, 2023

本文提出了一种基于子带的语音增强系统，名为 PT-FSE，该系统通过对子带频谱图的操作来增强语音，其中包括全频带和子频带的融合模型、频率变换模块、时间变换和人类听觉感知的损失函数，实验结果表明，该系统达到了显著的改进，并且在基准数据集上优于当前最先进的技术。

Sep, 2022

人类和神经网络在识别对象时使用哪些空间频率信息？通过关键带掩蔽，我们发现神经网络的频谱通道是人类通道的 2-4 倍宽，而对抗训练只会进一步扩大这种差异。

Sep, 2023

本研究使用卷积神经网络 (CNN) 设计高精度低复杂度信号检测器，通过利用通道矩阵的带状结构来提高性能，该 CNN 检测器在不同系统尺寸上表现出良好的自适应性并克服了深度学习中普遍存在的维数灾难问题。实验结果表明，与传统的深度神经网络和现有的基于模型的检测器相比，该 CNN 检测器在精度和计算时间上均表现出更好的性能，适用于具有大尺寸或宽频带的系统，并且可以轻松地扩展到近带线性系统。

Sep, 2018

该研究提出一种通过机器学习和离散频率变换来评估由于图像压缩等原因导致的图像质量问题的方法。该方法可以处理包括图块、模糊和噪声等在内的多种视觉信息失真，并且相对于其他方法具有更快的处理速度，适用于实时质量监控应用。

Mar, 2023

提出了一种基于深度学习和自适应模型的方法，名为 FreeSeed，该方法可以弥补片段图像的缺失和伪造，并显示出优于现有技术的表现。

Jul, 2023

该论文介绍了一种新方法 BABE（Blind Audio Bandwidth Extension），它利用预训练无条件扩散模型的生成先验处理盲音频带宽扩展中未知的低通损伤，其性能通过 客观和主观指标的评估表明，BABE 在测试合成数据时优于最先进的盲宽带扩展基线，并在与非盲过滤知方法进行比较时实现了有竞争力的性能；此外，在增强真实历史记录时 BABE 表现出鲁棒的泛化能力，有效地重构了丢失的高频内容，同时保持了与原始记录的一致性

Jun, 2023

本文提出了一种基于在线学习和机器学习的频段切换方案，利用 UE 位置信息和不同频段射线数据集来实现无需测量间隙的频段切换，达到约 30% 提高的速率和低于 0.5% 的误差率。

Oct, 2019

本文提出一种新颖的 spectral recovery 方法 Neural Band Selection (NBS)， 使用基于连续松弛的带选择过程，采用梯度下降进行高效的搜素，并利用基于带相关矩阵的逐步抑制方法，使其适用于选择任意数量的带。NTIRE 2022 Spectral Reconstruction Challenge 的广泛评估表明，我们的 NBS 在四种不同的光谱恢复方法中均取得了一致的性能提升。

May, 2023