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, berücksichtigt man doch die erheblichen Unterschiede zwischen den Spektren von scharfen und verunreinigten Bildpaaren. Allerdings nutzen diese Arbeiten üblicherweise Transformationstechniken, beispielsweise die Wavelet-Transformation, um Merkmale in mehrere Frequenzkomponenten zu zerlegen, was nicht flexibel genug ist, um die informativsten Frequenzanteile gezielt zur Wiederherstellung auszuwählen. In diesem Artikel entwickeln wir ein mehrfach verzweigtes und kontextbewusstes Modul, das Merkmale dynamisch und lokal in getrennte Frequenzunterbänder aufspaltet und anschließend die nützlichen Komponenten mittels kanalweiser Aufmerksamkeitsgewichte verstärkt. Darüber hinaus schlagen wir ein äußerst einfaches Entkoppelungs- und Modulationsmodul vor, um die Empfindlichkeitsfeldgröße durch globale und fensterbasierte Durchschnitts-Pooling-Operationen zu erweitern und so große Degradationsunschärfen effektiv zu bewältigen. Durch die Integration dieser beiden neu entwickelten Module in eine U-Net-Architektur erreicht das vorgeschlagene selektive Frequenznetzwerk (SFNet) hervorragende Ergebnisse gegenüber aktuellen State-of-the-Art-Algorithmen bei fünf Aufgaben der Bildrestaurierung, darunter Einzelbild-Defokus-Entschärfung, Bildentnebelung, Bildbewegungs-Entschärfung, Bildentfrostung und Bildentregen.