频域+Transformer这个方向的核心吸引力在于，它给Transformer的黑箱机制提供了个全新的、可解释的理论视角，并带来了实质性的性能与效率提升。
因此它在当前是非常热门且适合发表高水平论文的方向，从顶会到顶刊都有不少成果。比如TMM 2025的Frefusion框架、IEEE TGRS的FGNet模型、ECCV 2024的FADformer框架...
从这些研究中可以看出，这方向接下来的创新将更侧重于理论深度、架构通用性、领域延展性以及软硬协同。如果想入手，建议基于现有成果找突破口。本文整理了11篇频域+Transformer前沿论文，附代码，需要参考的直接领取即可。
全部论文+开源代码需要的同学看文末
FreDFT: Frequency Domain Fusion Transformer for Visible-Infrared Object Detection
方法：论文提出频域融合 Transformer（FreDFT）用于可见光 - 红外目标检测，通过频域注意力和频域前馈层挖掘跨模态互补信息，结合局部特征增强与跨模态全局建模，解决模态不平衡问题，提升检测性能。
创新点：
将频域与Transformer结合，提出FreDFT用于可见光-红外目标检测，挖掘跨模态互补信息。
设计MFDA和FDFFL，分别捕捉模态相关性、融合多尺度频域特征。
构建LFEM和CGMM，强化局部特征并缓解模态异质性，解决模态不平衡。
Frefusion: Frequency Domain Transformer for Infrared and Visible Image Fusion
方法：论文提出Frefusion框架用于红外与可见光图像融合，通过频域特征提取模块提取源图像频域特征，借助含域内/域间强化模型的频域Transformer融合模块融合特征，结合残差重建模块生成融合图像，利用频域特性提升融合质量与抗伪影能力。
创新点：
提出频域特征提取模块，通过FFT和iFFT转换特征，提取图像深层语义与全局纹理信息。
设计含域内/域间强化的频域Transformer融合模块，增强模态内有效信息与模态间互补信息。
构建残差重建模块与多损失函数，联合优化红外与可见光图像融合质量。
Efficient Frequency-Domain Image Deraining with Contrastive Regularization
方法：论文提出 FADformer 用于单图像去雨，通过融合傅里叶卷积混合器在频域与空域高效建模全局 - 局部特征，结合先验门控前馈网络强化细节修复，并引入频域对比正则化利用正负样本信息，实现高效且高质量的去雨效果。
创新点：
设计融合傅里叶卷积混合器，在频域与空域同步进行卷积操作，高效捕捉全局-局部特征，降低计算成本。
提出先验门控前馈网络，以门控方式引入残差通道先验，强化局部细节修复与特征结构保留。
引入频域对比正则化，利用DFT构建对比空间，充分挖掘正负样本的频域特征差异，提升去雨性能。
Frequency-domain guided swin transformer and global-local feature integration for remote sensing images semantic segmentation
方法：论文提出 FGNet 用于遥感影像语义分割，将频域引导机制融入 Swin Transformer 构建 FGSwin，结合残差 CNN 提取局部特征与全局 - 局部特征融合模块（GLFI），同步建模频域、空域及全局 - 局部特征，提升分割精度与类别区分度。
创新点：
提出FGSwin，将频域引导机制融入Swin Transformer，结合FFT和可学习权重建模频域与空域信息。
设计GLFI模块，通过小卷积核和SiLU激活函数，轻量化融合全局与局部特征。
构建双分支架构，结合FGSwin与残差CNNs，提升遥感影像语义分割的精度与类别区分度。
关注下方《学姐带你玩AI》🚀🚀🚀
回复“222”获取全部方案+开源代码
码字不易，欢迎大家点赞评论收藏
)
