- CVPR图像转换的鲁棒频率分布损失函数
该研究论文引入了一种新颖且简单的频率分布损失（FDL）来解决深度学习图像转换方法中常见的问题，通过在频率域内计算分布距离来克服依赖像素级准确对齐的配对数据集所带来的挑战，并证明了 FDL 相比现有的鲁棒性较差的损失函数在图像增强和超分辨率任 - 通过进化算法的低频黑盒后门攻击
我们提出了一种强鲁棒性的低频黑盒后门攻击 (LFBA)，通过最小干扰频率频谱的低频部分并同时在空间空间中保持感知相似性，将触发耦合在受害分类器之外并具有高攻击性、对图像转换防御的强鲁棒性和隐蔽性。
- 自监督对比学习的约束多视图表示
基于表示距离的互信息最大化方法用于量化不同视图的重要性，进而实现更高效的对比学习和表示解耦。通过在频率域提取多视图表示，并基于不同频率之间的互信息重新评估其重要性，本文提出的框架能够有效约束互信息最大化驱动的表示选择，推动多视图对比学习。
- 关于生成型人工智能领域中 DCT 轨迹的利用
自从出现以来，Deepfakes 代表了网络安全与数字取证领域中最棘手的挑战之一。在最近几年，研究人员发现，生成模型在合成数据中留下了独特的痕迹，如果详细分析和确定，可以利用这些痕迹来改善现有 Deepfake 检测器的泛化能力。本文通过在 - TFDMNet：一种将时间域和频率域特征结合的新型网络结构
本文提出了一种新的基于频域训练的元素逐位乘法层（EML），用于替代卷积层，并引入了权重固定机制以缓解过拟合问题。同时，分析了批量归一化和丢弃机制在频域中的工作行为。为了在计算复杂度和内存使用之间达到平衡，提出了一种新的网络结构，即时间频域混 - 基于对数频率轴上的高斯函数导出的多维 Gabor-Like 滤波器
提出了一种新颖的类小波函数，通过在频域上的对数频率轴上计算高斯函数的傅里叶逆变换，可以方便地创建滤波器组，这些滤波器类似于 Gabor 滤波器，代表了不同尺寸的定向短小信号振荡。该类小波函数可以被看作是一个多维的广义 Log-Gabor 滤 - 可见 - 红外人物再识别的频域细节挖掘
本文首次探索了可见光 - 红外人物再识别的潜在频率信息，提出了一种新颖的频域差异挖掘方法 (Frequency Domain Nuances Mining)，通过挖掘跨模态的频率领域细微差异，从频域角度有效降低了模态不一致性。实验证明，该方 - 自适应频率泛锐化与专家混合
Pan-sharpening research has not explored the potential solution in the frequency domain. This paper proposes the Frequen - AAAI频谱对多模态表示和融合更为有效：一种多模态频谱谣言检测器
挑战：社交媒体中混合文本与图像的多模态内容对辟谣具有重大挑战。 方法：使用频率域进行多模态辟谣检测，通过频谱表示和融合提取具有辨别力的特征。结果：频率域表示和融合的模型在多模态辟谣检测中取得了令人满意的性能。
- 基于空间频率融合的双域多曝光图像融合网络
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 - AAAI面向可迁移的对抗攻击与集中扰动
在频率域中进行细粒度扰动优化的可传递对抗攻击方法能够增强攻击传递性，有效绕过各种防御措施。
- DiffusionPhase: 频域中的运动扩散
本研究介绍一种基于学习的方法，用于从文本描述中生成高质量的人类运动序列，通过在频域上进行文本条件下的人体运动生成，实现了更多样化和平滑的运动序列生成。
- FS-BAND：一种频率敏感的带检测器
该论文研究了频率方面的条纹伪影，并提出了一种无参考条纹检测模型，名为频率敏感的 BANding 检测器（FS-BAND）。实验结果表明，该方法在条纹分类任务中具有更高的准确性，优于现有的图像质量评估方法。
- 基于小波变换的频散调整与频域信息交互在水下图像恢复中的应用
介绍了一种名为 WF-Diff 的新型水下图像增强框架，利用频域信息和扩散模型的特性，通过 Wavelet-based Fourien information interaction network (WFI2-net) 和 Frequen - MACE: 频域中多模式适应和高效异常检测方法
MACE 是一种在频域中为时间序列异常检测而提出的多模式适应和高效的异常检测方法，具有优秀的处理多样化正常模式的模式提取机制、双元卷积机制以及利用频域的稀疏性和并行性来增强模型效率的特点。通过理论和实验证明，使用策略性选择的傅里叶基集合可以 - FreeKD: 语义频率提示下的知识蒸馏
使用频率领域的知识蒸馏方法进行密集预测任务时，Frequency Knowledge Distillation（FreeKD）在吸收语义频率上下文、定位像素兴趣点和提供高阶空间增强等方面取得了比基于空间的蒸馏方法更好的效果。
- 基于频域的数据集精炼
本文提出了一种新颖的参数化方法，利用频域对大型原始数据集进行数据集提炼，通过频谱变换优化数据实例的频率表示，以在有限的预算内操作并更好地保留原始数据集的信息。此外，通过与现有方法的正交兼容性，验证了该方法在不同基准数据集的评估场景中持续改善 - 基于过拟合的图像压缩的频率感知再参数化
通过在频域进行直接优化的离散余弦变换（DCT）卷积核加权求和的重新参数化方法，在低计算成本下，通过与 L1 正则化相结合，实现了显著改善的率失真性能，从而克服了过拟合图像压缩中的权重存储问题和实用性快速收敛困难。
- 时间卷积探索器帮助理解频域时间序列分类中的一维卷积神经网络学习行为
通过时间卷积探索（TCE）分析，我们揭示了一维卷积神经网络（1D-CNNs）学习行为的洞察力，然后基于此提出了一个调控框架，使得最先进的 1D-CNNs 能够以较少的内存和计算开销获得改进的性能。
- 基于群组扩散过程的序列数据生成
我们介绍了 Groupwise Diffusion Model（GDM），该模型将数据划分为多个组，在前向扩散过程中逐个时间间隔扩散一组数据。GDM 从一个组在一个时间间隔内依次生成数据，具有几个有趣的特性。