Efficient Frequency Domain-based Transformersfor High-Quality Image Deblurring（CVPR23）

参考：11.频域里的卷积——介绍，傅里叶变换和卷积，快速傅里叶变换（FFT）_1_频域卷积-CSDN博客

这里提出重要的前置：我们要知道两个图像A和B的卷积，等于A和B经过傅里叶变换相乘，然后逆变换回来。

FSAS：Frequency domain-based self-attention solver

自注意力中的全连接可以用reshape+卷积替换

DFFN：Discriminative frequency domain-based FFN

然后用频域的乘法替换空间域中的卷积，这些操作主要是为了减少计算量。

这里主要是通过一个可学习的量化矩阵W，去实现注意力，有选择的去掉高频或低频信息。感觉就是一个卷积核。

这里提到JPEG的逆压缩过程，主要是这个过程与JPEG的逆压缩过程相似，不必太过关注。

Asymmetric encoder-decoder network

解码阶段使用了FSAS，原因是编码阶段过深的网络会减少原始图片中模糊的影响。

最后做了一个跳跃连接，表示预测的结果其实是模糊的部分。