이미지 복원은 훼손된 관측값으로부터 잠재적인 고품질 이미지를 재구성하는 것을 목표로 한다. 최근 Transformer의 활용으로 인해, 장거리 의존성 모델링 능력이 뛰어나기 때문에 다양한 이미지 복원 작업에서 최신 기술 수준의 성능이 크게 향상되었다. 그러나 자기 주의(self-attention)의 이차 복잡도는 실용적 응용을 방해하는 요소로 작용한다. 또한, 정제된 이미지와 훼손된 이미지 쌍 간의 큰 스펙트럼 차이를 충분히 활용하는 것도 이미지 복원에 도움이 될 수 있다. 본 논문에서는 표현 학습을 강화함으로써 공간 영역과 주파수 영역을 동시에 고려하는 이중 도메인 스트립 주의 메커니즘을 개발하였다. 이는 공간 스트립 주의 유닛과 주파수 스트립 주의 유닛으로 구성된다. 구체적으로, 공간 스트립 주의 유닛은 간단한 컨볼루션 브랜치를 통해 학습된 가중치를 기반으로, 각 픽셀에 대해 동일한 행 또는 열 내 인접 위치로부터 맥락 정보를 수집한다. 또한, 주파수 스트립 주의 유닛은 주파수 분리 및 조절을 통해 주파수 도메인에서 특징을 정제하며, 이는 간단한 풀링 기법을 통해 구현된다. 더불어, 다양한 스케일의 훼손을 처리하기 위해 다중 스케일 학습을 강화하기 위해 서로 다른 스트립 크기를 적용한다. 서로 다른 방향에서 이중 도메인 주의 유닛을 활용함으로써, 각 픽셀은 확장된 영역의 정보를 암묵적으로 인지할 수 있게 된다. 종합적으로 제안하는 이중 도메인 스트립 주의 네트워크(DSANet)는 이미지 제거림, 이미지 눈송이 제거, 이미지 노이즈 제거, 이미지 초점 왜곡 보정 등 네 가지 이미지 복원 작업에 대해 12개의 다양한 데이터셋에서 최신 기술 수준의 성능을 달성하였다.