Die Bildrestaurierung zielt darauf ab, das latente scharfe Bild aus seiner beeinträchtigten Version wiederherzustellen. Neben der Bearbeitung dieser lang bestehenden Aufgabe im räumlichen Bereich suchen einige Ansätze Lösungen im Frequenzbereich, indem sie die erhebliche Diskrepanz zwischen den Spektren von scharfen und beeinträchtigten Bildpaaren berücksichtigen. Allerdings verwenden diese Algorithmen üblicherweise Transformationswerkzeuge, beispielsweise die Wavelet-Transformation, um Merkmale in mehrere Frequenzkomponenten zu zerlegen, was nicht flexibel genug ist, um die informativsten Frequenzanteile zur Wiederherstellung auszuwählen. In diesem Artikel nutzen wir ein mehrfach verzweigtes und inhaltsbewusstes Modul, um Merkmale dynamisch und lokal in getrennte Frequenzunterbänder zu zerlegen und anschließend die nützlichen Komponenten über kanalweise Aufmerksamkeitsgewichte zu verstärken. Zusätzlich schlagen wir ein äußerst einfaches Entkoppelungs- und Modulationsmodul vor, um die Empfindlichkeitsfeldgröße durch globale und fensterbasierte Durchschnitts-Pooling-Operationen zu vergrößern, um große Skalen von Verwischungen effektiv zu bewältigen. Darüber hinaus integrieren wir das Paradigma mehrstufiger Netze in ein einzelnes U-förmiges Netzwerk, um mehrskalige Empfindlichkeitsfelder zu erreichen und die Effizienz zu steigern. Schließlich wird das oben beschriebene Design in einen konvolutionellen Backbone integriert, wodurch das vorgeschlagene Frequency Selection Network (FSNet) gegenüber den aktuellen Stand der Technik auf 20 unterschiedlichen Benchmark-Datensätzen für sechs repräsentative Aufgaben der Bildrestaurierung – einschließlich Einzelbild-Defokus-Entschärfung, Bildentnebelung, Bildbewegungsunschärfebeseitigung, Schneebeseitigung, Regenentfernung und Bildrauschunterdrückung – hervorragende Ergebnisse erzielt.