169、超分中的频域分析：傅里叶变换与小波变换在高频细节恢复中的应用去年调一个老照片修复项目，跑SRGAN死活恢复不出头发丝纹理，肉眼看着就是一团糊。我盯着loss曲线发呆，同事路过说了一句：“你试试把高频分量单独拎出来监督。”这句话让我折腾了两周，最后发现频域分析才是超分里被低估的利器。从一次“纹理糊掉”的debug说起当时用的EDSR baseline，PSNR刷到32.5就上不去了。我把输出图像和GT做差，发现误差集中在边缘和纹理区域——这其实是超分的老问题：模型学会了低频的平滑近似，但高频细节要么被当成噪声抹掉，要么生成得过于“假”。我干的第一件事是把图像转到频域看频谱。用numpy的FFT画了幅log幅度谱，发现模型输出的高频区域（对应图像边缘、纹理）能量明显低于GT，而低频部分几乎重合。这印证了一个直觉：超分模型本质上是在做频域外推，但大多数CNN架构天然偏向低频，因为卷积核的局部性导致感受野有限，高频信息在逐层下采样中流失。傅里叶变换：别只拿它看频谱很多人以为傅里叶变换就是画个频谱图装点门面，实际调参时用处不大。我踩过这个坑——早期尝试直接在频域加L2 loss，结果模型学出一堆伪影，因为相位信息被忽略了。真正有效的是相位一致性监督。傅里叶变换的幅度谱代表各频率成分的强度，相位谱则编码了位置信息。超分任务里，幅度谱容易恢复（低频能量大，模型学得快），但相位谱一旦错位，恢复的纹理就会“飘”。我试过