摘要

在去除夜间耀斑的过程中，由于耀斑可能占据图像的较大区域，甚至覆盖整个图像，因此具备大感受野至关重要。然而，传统的基于窗口的Transformer方法受限于窗口范围，其感受野被局限在局部区域内，难以有效捕捉全局特征。此外，耀斑会导致图像暗部区域变亮，造成对比度下降以及图像频域特性的改变。为应对上述挑战，本文提出FF-Former，该方法基于快速傅里叶卷积（Fast Fourier Convolution, FFC），旨在提取全局频域特征，以提升夜间耀斑去除的效果。为实现这一目标，我们在Swin Transformer之后引入了空间频域块（Spatial Frequency Block, SFB），构成Swin傅里叶Transformer块（Swin Fourier Transformer Block, SFTB）。该结构能够建立长距离依赖关系，并有效提取全局特征。与传统Transformer依赖全局自注意力机制不同，SFB模块仅通过卷积运算完成特征提取，兼具高效性与有效性。此外，在训练阶段，我们优化了损失函数，以确保去除耀斑后仍能保留光源点的完整性。在真实场景与合成数据集上的实验结果表明，所提出的FF-Former显著提升了夜间耀斑去除的性能。