MFDNet：高效夜间闪光去除的多频率网络
原文中文，约1000字，阅读约需3分钟。
📝
内容提要
本文介绍了多种图像处理技术，如自适应聚焦模块、双域特征融合网络和多接收域非局部网络，旨在提升低光遥感图像的增强和去雾效果。这些方法利用深度学习和特征融合，显著改善了图像质量，超越了现有技术。
❓
Q&A
自适应聚焦模块（AFM）有什么作用？
自适应聚焦模块（AFM）能在处理多个散射耀斑时适应性遮罩清晰区域，模拟真实场景并取得先进性能。
双域特征融合网络（DFFN）如何提升低光图像的质量？
双域特征融合网络（DFFN）通过分别学习振幅和相位信息，实现低光增强，优于现有方法。
多接收域非局部网络（MRFNLN）在去雾方面的创新是什么？
MRFNLN利用深度学习提取特征，并引入细节聚焦对比正则化（DFCR）来优化去雾效果。
HLNet方法是如何实现图像恢复的？
HLNet通过高低频分解考虑不同退化特性，从而实现更高质量的图像恢复和增强。
自适应多尺度融合网络（AMFusion）如何提高夜间物体检测性能？
AMFusion通过红外和可见图像的融合规则，调整光照分布，提高检测准确性。
FPANet模型在去除Moire图案方面的优势是什么？
FPANet在频率和空间域中学习滤波器，改善了移除各种大小Moire图案的恢复质量。
🏷️
