本文提出了一个高分辨率双域学习网络（HDNet）用于高光谱图像的重建，该网络采用像素级精细特征和频率级细化来提高感知质量，在模拟和真实数据集中取得了最优结果。

Mar, 2022

本研究提出了一种高效有效的框架，用于适应不同区域间存在的不同程度退化的图像恢复，并且在合成和真实数据集上优于目前的最先进方法。

May, 2024

提出一种新颖的残差循环多小波卷积神经网络 R2-MWCNN 用于低光图像增强和降噪，该网络通过多层离散小波变换将输入特征图划分为不同的频率，提出了通道损失函数来更正颜色扭曲，实验证明该方法在量化和定性上优于现有的方法。

Jun, 2023

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

WaveDH 是一个新颖而紧凑的 ConvNet，利用小波分解从特征层中提取低频和高频组件，以提高处理速度并实现高质量重建，在频率感知的基础上对特征进行了优化，以在计算成本和准确性之间取得有利的权衡，通过大量实验证明，WaveDH 方法在多个图像去雾基准上优于许多最先进的方法，并大幅降低了计算成本。

Apr, 2024

通过引入新颖的亮度和色度双分支网络 (LCDBNet)，将低光图像增强分为亮度调整和色度恢复两个子任务，并使用多级小波分解学习细节敏感的特征，与其他先进算法相比，在多个参考和非参考质量评估器上取得了卓越性能。

Jul, 2023

本文介绍一种针对医学图像的局部特征缺失问题的方法，通过重新设计自注意力映射，利用小波变换对输入特征图进行分解，使用高频和低频子带表示粗粒度和细粒度特征，重构自注意力操作并加入高频部分的高斯金字塔，引入多尺度上下文增强块，实现医学图像的准确分割，并经过广泛实验证明了该方法的有效性。

Aug, 2023

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

提出一种双流卷积神经网络框架，其中一流在频域中适应四个可学习频率滤波器来学习特征，另一流利用 RGB 图像来补充频域特征，通过分层注意力模块进行信息融合，提升面部呈现攻击检测方法的泛化能力。

Sep, 2021

本研究提出了一种使用多曝光图像的复合细化网络（CRNet），通过完全整合信息丰富的多曝光输入，实现统一的图像恢复和增强，通过池化层显式分离和加强高低频信息，使用特殊设计的多分支块有效融合这些频率，通过大卷积核和反向瓶颈 ConvFFN 的高频增强模块，扩大感受野并充分整合输入特征，本模型在 Bracketing 图像恢复和增强挑战赛的第一轨上获得了第三名，在测试指标和视觉质量上超过了先前的 SOTA 模型。

Apr, 2024