傅里叶变换杀回来了！搞定图像分割、降噪、跨域，顶刊思路赶紧跟上！

傅里叶变换作为经典的频域分析工具，已成为图像处理领域突破性能瓶颈的核心技术之一。其能够将图像从空域分解为频域分量，精准分离信号与噪声、结构与细节，为解决玻璃分割边界模糊、海洋雪噪声干扰、跨域分布偏移等传统难题提供了全新思路。

为了方便大家学习傅里叶变换在图像处理领域，找到创新方向，我整理了TGRS、INFFUS、TIP等顶会顶刊论文15篇，大家可以扫码领取~

当下，傅里叶变换在图像处理中的创新应用主要聚焦于以下三大方向：

第一个创新点：是频域-空域特征融合，如利用傅里叶变换增强边界特征、分离降解噪声，提升分割与恢复精度；

面向统一图像恢复的退化感知残差条件最优传输

Degradation-Aware Residual-Conditioned Optimal Transport for Unified Image Restoration

方法：本文提出 DA-RCOT 框架，将图像恢复建模为最优传输问题。通过计算退化与干净图像的残差，并在频域中分析其模式，构建残差引导的传输代价函数。进一步设计双通道传输映射，利用多尺度残差嵌入条件化恢复过程，实现对多种退化的统一处理。

创新点

首次将统一图像恢复建模为最优传输问题，引入残差作为退化特征。
设计双通道传输映射，利用多尺度残差嵌入提升结构保持能力。
提出傅里叶残差引导的传输目标函数，增强对退化类型与程度的感知。

宽捕获器与傅里叶边界特征的玻璃分割网络

Fourier Boundary Features Network With Wider Catchers for Glass Segmentation

方法：本文提出傅里叶边界特征网络（FBWC），通过宽而浅的骨干结构 Wider Coarse-Catchers（WCC）避免过度捕获噪声，并利用 Cross Transpose Attention（CTA）补充细粒度特征。核心模块 Fourier Convolution Controller（FCC）结合傅里叶变换增强边界特征，实现对玻璃区域的稳健分割。实验在多个公开数据集上验证了其优越性。

创新点

首次设计宽浅骨干结构，解决玻璃分割中过度抽象导致的边界模糊问题。
提出跨转置注意力机制，抵抗玻璃反射噪声并保持区域完整性。
引入可学习的傅里叶卷积控制器，灵活融合频域与空间特征，提升边界约束能力。

融合傅里叶信息的海雪去除方法

Towards Marine Snow Removal With Fusing Fourier Information

方法：本文提出深度傅里叶海雪去除网络（DF-MSRN），采用双阶段策略：第一阶段在傅里叶域恢复幅度分量以去除高频噪声；第二阶段通过空间-傅里叶融合模块结合全局频域与局部空间信息，进一步消除残留海雪并增强细节。该方法在多种海洋图像数据集上显著提升清晰度与细节保真度。

创新点

首次利用傅里叶域幅度分量特性，针对性去除海雪噪声而保持结构信息。
设计空间-傅里叶融合模块，动态权衡全局频域与局部空间特征。
提出高频提取机制，提升细节恢复能力并减少模糊。

大家可以扫码领取整理自TGRS、INFFUS、TIP等顶会顶刊15篇傅里叶变换在图像处理领域论文

第二个创新点：是数据增强与域泛化，通过傅里叶分量重组生成语义不变样本，缓解域偏移问题；

基于相关对比的上下文分布对齐方法

Contextual Distribution Alignment via Correlation Contrasting for Domain Generalization

方法：本文提出 DACL 框架，通过傅里叶增强数据、域特征融合与相关对比学习实现跨域泛化。首先利用傅里叶相位保持语义，幅度混合实现风格替换；其次通过原型聚类提取跨域特征；最后引入域相关性度量的对比损失，提升跨域一致性。

创新点

设计傅里叶增强方法，保持语义同时替换背景风格，缓解域偏差。
提出域特征融合模块，利用原型聚类实现跨域语义对齐。
引入域相关性对比学习，利用二阶统计量度量域间关系，提升泛化能力。

大家可以扫码领取整理自TGRS、INFFUS、TIP等顶会顶刊15篇傅里叶变换在图像处理领域论文

第三个创新点：是特征编码与表示，将目标轮廓、降解模式等编码为傅里叶级数或频谱特征，实现更精准的目标描述与降解适配

基于傅里叶级数的目标检测增强方法

Enhancing Object Detection With Fourier Series

方法：本文提出傅里叶级数目标检测（FSD），将目标的闭合轮廓曲线编码为一维周期傅里叶级数，并通过深度学习模型回归傅里叶系数，从而在推理阶段恢复目标的精细轮廓。为解决标注起点不一致问题，设计了滚动优化匹配（ROM）损失函数，有效提升训练稳定性与效率。该方法在遥感数据集上显著优于传统边界框检测，尤其适用于非矩形与细长目标的精确识别。

创新点