- 深度 Fourier 上采样
本研究提出了一种理论上有根据的 Deep Fourier Up-Sampling（FourierUp）来解决空间上采样运算符在全局建模中存在的局限性，包括对象检测、图像分割、图像去雨、图像去雾、引导图像超分辨率等多个计算机视觉任务的实验表明 - ICML基于傅里叶变换的同变网络同构空间中的核与非线性设计
从 Fourier 角度出发，我们在同质空间上引入了一种统一的群等变网络框架，其中考虑了张量值特征场及其卷积层前后的特征，通过利用提升特征场的 Fourier 系数的稀疏性，通过 Fourier 域统一推导卷积核并实现非线性激活，该方法在 - 使用频率选择重建将非规则像素子集的图像重新采样为规则网格
本文介绍了一种名为频率选择性重建的算法，可以将图像信号从非规则的采样点重建到规则的网格上，通过在傅里叶域中利用信号的稀疏性和成像系统的光学传递函数等基本特征建立一个稀疏模型，实现了很高的重建质量和视觉质量。
- 频率引魔鬼：双倍格局自编码器用于自监督视觉预训练
本研究提出一种基于频率域的 MASK 图像建模方法，称之为 GE2-AE，用于视觉预训练，通过该方法可以学习到更加健壮的非标记视觉表示。
- KDD通过扰动谱距对图结构进行攻击
本文研究了一种有效的图结构攻击方法，通过最大化谱距离来扰乱傅里叶域中的图谱滤波器，进而干扰图卷积网络（GCNs）的学习。实验证明了该攻击在黑盒和白盒设置中对于测试时间洪水和训练时间毒化攻击具有显著的效果。
- 傅里叶空间损失用于高效的感知式图像超分辨率
本文提出一种基于傅里叶域的感知质量强化的超分辨率图像重建方法，利用新型 Loss Function 提升低复杂度生成器网络的表现，以及在空间域和傅里叶域均应用不同 Loss Function 以提取不同信息。最终得出与 RankSRGAN - CVPR傅立叶轮廓嵌入在任意形状文本检测中的应用
该研究论文提出了一种称为 Fourier Contour Embedding (FCE) 方法，通过傅里叶变换将任意形状的文本轮廓表示为紧凑的签名，并构建 FCENet 模型进行文本检测，实验结果表明其准确度和鲁棒性均较高。
- SpectralDefense: 在傅里叶域中检测 CNN 的对抗攻击
该研究使用傅里叶域的分析方法和特征图的相位和振幅识别方法，成功地区分了对抗示例和良性测试图片，并提出了两种新颖的对抗检测方法。
- 高斯噪声注入的显式正则化
研究了高斯噪声注入对神经网络的正则化作用，发现它通过在 Fourier 域中惩罚具有高频成分的函数来实现正则化，可以产生具有大分类边界的校准分类器。
- 傅里叶域图像处理优化
本文详细阐述了在 Fourier 域中解决凸图像优化和反卷积的框架，给出了数学背景和相应实现，并指出在当前大规模图像情况下，这种方法的效率优势。
- CVPR基于相关滤波跟踪的端到端表示学习
本文是第一篇将相关滤波器作为可微分层在深度神经网络中进行应用的研究工作，该方法可以学习与相关滤波器紧密耦合的深度特征，实现高帧率状态下轻量级架构实现最新性能。
- CVPR光场盲运动去模糊
本研究通过分析相机运动对光场的影响，并在原始域和傅里叶域中研究光场的运动模糊问题，提出了一种算法，可以实现对于实际的合成运动模糊光场进行盲目去模糊，还原光域；并证明了三维相机的运动路径。
- 高效傅里叶聚合的手持视频去模糊
本文介绍了一种在视频中使用傅里叶域处理、基于加权块的全局优化算法消除相机抖动带来的模糊问题，通过在多个相邻帧内组合信息达到图像稳定。
- 具有有限边界的相关滤波器
本研究提出一种利用频域内部计算冗余并显著减少边界效应的相关滤波估计方法，以提高目标检测和跟踪性能，实现了准确性和计算效率的同时也探究了计算效率等因素产生的代价。
- 通过 FFT 快速训练卷积神经网络
本文提出了一种使用 Fourier 变换和 GPU 架构，加速卷积网络的训练和推理的算法，并在现有技术的基础上取得了数量级上的改善。