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。

Sep, 2023

提出了一种用于低光遥感图像增强的双域特征融合网络 (DFFN)，通过将振幅信息与相位信息分别学习来实现低光增强任务，同时通过信息融合亲和块在不同阶段和尺度上组合不同的数据，通过广泛的评估，证明该方法优于现有最先进方法。

Apr, 2024

我们开发了一种创新的双路径耦合去雨网络（DPCNet），通过空间特征提取块（SFEBlock）和频率特征提取块（FFEBlock）在空间和频率域中整合信息，并引入了一种有效的自适应融合模块（AFM）来进行双通路径特征聚合。该方法在六个公共去雨基准和下游视觉任务上进行了大量实验证明，不仅超越了现有的最先进去雨方法，而且在下游视觉任务中具有出色的鲁棒性和视觉效果。

Feb, 2024

为了充分利用空间信息进行分割并解决遥感图像中灰度变化显著区域的挑战，我们提出了 SFFNet（Spatial and Frequency Domain Fusion Network）框架。该框架采用两阶段网络设计：第一阶段使用空间方法提取特征，以获取具有足够空间细节和语义信息的特征；第二阶段在空间和频域中映射这些特征。在频域映射中，我们引入了小波变换特征分解器（WTFD）结构，该结构使用 Haar 小波变换将特征分解为低频和高频成分，并将其与空间特征进行融合。为了弥合频域和空域特征之间的语义差距，并便于进行显著特征选择以促进来自不同表示域的特征组合，我们设计了多尺度双重表示对齐滤波器（MDAF）。该结构利用多尺度卷积和双交叉注意力机制。全面的实验结果表明，与现有方法相比，SFFNet 在 mIoU 方面表现出卓越性能，分别达到 84.80% 和 87.73%。

May, 2024

通过频率引导的注意力机制，交叉注意力融合和损失函数来实现多模式医学图像融合，提高融合图像的质量和保留细节。

Oct, 2023

提出了一种新的深度学习架构，用于融合静态多曝光图像，并使用无监督的深度学习框架，利用无参考质量度量作为损失函数进行训练。使用从每个图像中提取的低级特征生成无伪影感知愉悦的结果，这种方法在自然图像方面优于现有的最先进方法。

Dec, 2017

本文提出了一种名为 HSDS-MEF 的用于多曝光图像融合（MEF）的双搜索混合监督的方法，通过引入双重优化搜索方案来自动设计网络结构和损失函数，实现了比竞争方案更好的表现，在一般和无参考场景中，视觉信息保真度（VIF）分别提高了 10.61％和 4.38％，同时提供了高对比度，丰富细节和色彩的结果。

Sep, 2023

本论文提出一种感知型多曝光融合技术，使用改进后的自适应曝光度度量和三维梯度进行对比度增强，具有细节丰富度高，计算成本低等优点，在图像增强领域取得了良好的实验结果。

Oct, 2022

本文提出了一种新颖的基于空间频率领域网络（SFDNet）的零样本增量学习方法，其中包含了空间频率特征提取模块（SFFE）和注意力特征对齐模块（AFA），通过从样本图像领域捕捉重要信息，提高零样本转换分类增量算法的性能。该网络能够有效地提取图像的空间频率特征表示，提高图像分类的准确性，并从根本上缓解了灾难性遗忘。针对 CUB 200-2011 和 CIFAR100 数据集的广泛实验表明，我们提出的算法胜过了最先进的增量学习算法。

Feb, 2024

该研究提出了一种将多重焦点图像融合在无线视觉传感器网络中的算法，该算法利用离散余弦变换标准来确定融合标准，利用空间频率和一致性验证过程提高输出图像质量，并在多对多重焦点图像上进行测试，结果显示提高了输出图像的视觉质量并超越了其他基于 DCT 的技术。

May, 2023