我院教师邵明文、博士生乔元健在中科院大类分区1区TOP期刊《Knowledge-Based Systems》发表题为“Uncertainty-guided hierarchical frequency domain Transformer for image restoration”的研究论文。《Knowledge-Based Systems》2023年影响因子为8.139，近五年平均影响因子为6.319，为中国石油大学（华东）T1期刊。

现有的基于卷积神经网络（CNN）和基于视觉变换器（ViT）的图像恢复方法通常在空间域中进行探索。然而，我们利于用傅里叶分析表明，这些空间域模型不能感知图像的整个频谱，即，主要关注高频（基于CNN的模型）或低频分量（基于ViT的模型）。这种内在的限制导致语义信息的部分缺失和伪影的出现。为了解决这一限制，我们提出了一种新的不确定性引导的分层频域Transformer（HFDT），以有效地学习高频和低频信息，同时感知局部和全局特征。具体而言，为了从不同的频率级别聚集语义信息，我们提出了一种双域特征交互机制，其中通过相应的分支提取全局频率信息和局部空间特征。频域分支采用快速傅里叶变换（FFT）将特征从空间域转换到频域，其中全局低频和高频分量以对数线性复杂度学习。作为补充，在空间域分支中使用有效的卷积组来捕获局部高频细节。此外，我们引入了一种不确定性退化引导策略，以有效地表示退化的先验信息，而不是简单地以二进制形式区分退化/非退化区域。我们的方法在几种退化场景中获得了很好的结果，包括雨纹、雨滴、运动模糊和散焦模糊。