一、为什么需要 FBGW？在图像去噪、目标检测、医学影像等任务中，一个长期存在的难题是：信号和噪声在空间和频率上往往是混叠的。传统卷积在空间域对整张特征图做统一处理，很难区分“哪里是信号、哪里是噪声”。单纯在频率域做全局滤波（比如低通、高通）又过于粗暴，容易把有用的高频细节（如边缘、小目标）一并抹掉。SCGN 的作者观察到：周期性结构（如原子阵列、规则纹理）会在频域形成明显的尖峰信号，而噪声则分散在各个频带。如果能让网络“看懂”每个频带的内容，就可以做到：对信号频带 → 增强对噪声频带 → 抑制这就是FBGW（Frequency Band-Guided Weighting，频带引导加权） 的核心动机。二、FBGW 做了什么？抛开论文中的数学符号，FBGW 的工作流程可以拆成五步：第一步：频域转换将输入特征图通过实部快速傅里叶变换（RFFT） 转换到频率域。此时特征变成复数形式，包含实部与虚部，通道数翻倍。第二步：添加位置坐标由于频域特征缺少频率位置信息，FBGW 显式地生成两张浮点图：一张是垂直方向的坐标（0→1）
一、为什么需要 FBGW？在图像去噪、目标检测、医学影像等任务中，一个长期存在的难题是：信号和噪声在空间和频率上往往是混叠的。传统卷积在空间域对整张特征图做统一处理，很难区分“哪里是信号、哪里是噪声”。单纯在频率域做全局滤波（比如低通、高通）又过于粗暴，容易把有用的高频细节（如边缘、小目标）一并抹掉。SCGN 的作者观察到：周期性结构（如原子阵列、规则纹理）会在频域形成明显的尖峰信号，而噪声则分散在各个频带。如果能让网络“看懂”每个频带的内容，就可以做到：对信号频带 → 增强对噪声频带 → 抑制这就是FBGW（Frequency Band-Guided Weighting，频带引导加权） 的核心动机。二、FBGW 做了什么？抛开论文中的数学符号，FBGW 的工作流程可以拆成五步：第一步：频域转换将输入特征图通过实部快速傅里叶变换（RFFT） 转换到频率域。此时特征变成复数形式，包含实部与虚部，通道数翻倍。第二步：添加位置坐标由于频域特征缺少频率位置信息，FBGW 显式地生成两张浮点图：一张是垂直方向的坐标（0→1）
)
)
