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

通过空频积分框架 (Spatial-Frequency Integration Framework) 提出了一种新颖的多曝光图像融合方法 (MEF-SFI)，通过有效利用频率域的整体光照建模能力，结合空间和频率路径的深度傅里叶变换方法，以及双域损失函数的综合作用，实现了对输入图像的融合，取得了与最先进的多曝光图像融合方法相媲美的视觉效果。

Dec, 2023

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

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

MFDS-Net 是一种基于全局语义和细节信息的多尺度特征深度监督网络，旨在更精细地描述变化的建筑和地理信息，增强变化目标的定位和弱特征的提取。

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

提出基于双域学习（频域和空域）的 RSCD 网络 DDLNet，利用离散余弦变换（DCT）捕捉时频信息以增强感兴趣的变化，并通过空间域恢复模块（SRM）融合时空特征来重建空域变化表示，实验证明该方法在三个基准 RSCD 数据集上实现了最先进的性能，并达到了更为满意的准确率和效率平衡。

Jun, 2024

提出了一种自适应多尺度融合网络（AMFusion），通过红外和可见图像的融合规则，分别调整光照分布和提高检测准确性，从而实现针对夜晚物体检测的性能提升。

Mar, 2024

提出了一种用于超高清晰度交通监控的双域引导实时低光图像增强网络（DDNet），通过编码器 - 解码器结构将增强处理分为两个子任务（即颜色增强和梯度增强），实现了对颜色和边缘特征的同时增强，能够提高在低光环境下转运监控的图像处理效率和质量，并通过标准和与交通相关的数据集的评估实验证明了该方法相对于现有方法在增强质量和效率方面的优势，并在物体检测和场景分割实验中展示了在低光环境中进行高级图像分析的实际效益。

Sep, 2023

该研究论文提出了一种混合训练策略和新颖的双域图像融合策略，有效利用原始图像、变换图像和中间域信息，并提出了一种伪标签区域特定权重策略，以增强伪标签的精确性。ISPRS Vaihingen 和 Potsdam 数据集上进行的广泛基准实验和消融研究证实了我们方法的有效性。

Mar, 2024