超高清（UHD）成像技术飞速发展，已在众多领域得到广泛关注与应用。然而，在低光、雨天、雾霾等复杂恶劣环境下拍摄的超高清图像，往往会出现严重画质退化，极大影响使用效果。本文正是围绕超高清图像复原这一关键课题展开深入探索。
图 1 该方法与当前最优（SOTA）方法的视觉效果对比
近年来，深度学习技术取得显著成功，大量基于卷积神经网络（CNN）与 Transformer 的学习型方法被相继提出，用于应对图像复原难题。当前主流的顶尖方法大多通过搭建更复杂的网络结构提升性能，但面对超高清图像的超高分辨率、高密度像素特性，这些先进方案往往难以发挥理想效果。
为此，一批面向超高清图像复原的专用方法陆续问世。例如 LLformer 借助 Transformer 架构取得亮眼表现，却因计算成本过高，无法在边缘设备上高效完成全分辨率推理；UHDFour 通过 8 倍下采样降低分辨率，实现了端侧全分辨率推理；UHDformer 则提出校正 Transformer，用高分辨率特征引导低分辨率复原。尽管这些方法依靠下采样降低了计算量，但 “下采样–增强–上采样” 的固定范式，不可避免地造成图像关键信息丢失。再加上超高清图像本身分辨率极高、内容丰富、结构细节繁杂，现有方法很难兼顾高效性与复原质量。
图 2 核心研究动机。基于 (a)(b) 中的观测结果，研究团队将复杂的超高清图像复原问题解构为三个递进式阶段：零频增强、低频复原与高频精修。
为深度破解超高清图像复原难题，研究团队创新性地采用渐进式频域解耦思路，系统分析不同频率分量在复原过程中的作用。
研究人员首先通过离散余弦变换（DCT），将退化图像与真实清晰图映射到频域，并交换代表全局信息的（0,0）位置零频分量，再经逆离散余弦变换（IDCT）重建回空间域。结果显示，零频分量承载图像全局与平均特征，对复原初期效果起到决定性作用 —— 即便学会完美的非零频分量，也无法得到可接受的复原结果。
随后，研究团队逐步扩大交换的频域范围，进一步发现：填充低频分量可快速恢复图像主体结构与内容，注入高频信息则能精细优化纹理与细节。
基于以上关键发现，研究团队将复杂的超高清图像复原任务，解构为三个循序渐进的核心阶段：零频增强、低频复原、高频精修，分别负责学习全局映射、重建粗粒度主体内容、优化细粒度纹理细节。
依托这一全新思路，团队提出了ERR 创新框架，由三大协同工作的子网络构成：
零频增强器（ZFE）：融入全局先验，专注强化图像全局信息；
低频复原器（LFR）：进一步复原低频信息，重点重建图像主体内容；
高频精修器（HFR）：搭载团队自研的频窗型柯尔莫哥洛夫 - 阿诺德网络（FW-KAN），精细打磨图像细节与纹理。
为进一步提升性能，研究团队还为零频增强器设计了全局感知 Transformer 模块（GPTB），更高效地捕捉全局特征；为高频精修器定制 FW-KAN，专门强化细粒度信息还原能力，显著提升图像质感与清晰度。
大量对比实验表明，ERR 框架在多项超高清复原任务中，性能显著超越以往所有专用方法；充分的消融实验也逐一验证了各设计模块的有效性。
图 3 所提ERR 方法整体框架。基于渐进式频域分析思路，ERR 由三个协同工作的子网络构成：零频增强器（ZFE）、低频复原器（LFR）、高频精修器（HFR）。
