Pytorch图像去噪实战（十九）：FFT频域损失图像去噪实战，解决周期噪声和纹理伪影问题

Pytorch图像去噪实战（十九）：FFT频域损失图像去噪实战，解决周期噪声和纹理伪影问题

一、问题场景：空间域去噪干净了，但周期纹理噪声还在

在实际图像去噪项目中，有一类噪声非常烦：

肉眼能看到规律性的条纹、网格、周期波纹，但普通去噪模型很难彻底去掉。

比如：

• 扫描仪条纹噪声
• 屏幕拍摄摩尔纹
• 工业相机周期干扰
• 老照片扫描纹理
• 压缩产生的块状频率伪影

我一开始用 UNet、ResUNet、Attention UNet 处理，发现模型可以去掉随机噪点，但对周期性噪声不敏感。

原因是：

CNN主要在空间域建模，而周期噪声在频域更明显。

因此这一篇我们加入 FFT Loss，从频域约束模型输出。

二、为什么频域对周期噪声有效？

图像可以从两个角度看：

空间域

直接看像素值，关注局部结构。

频域

看图像中不同频率成分，关注周期、纹理、方向性。

周期噪声在空间域可能不明显，但在频域会表现为异常高频点或特定方向能量。

所以我们可以让模型不仅在像素上接近 clean，还要在频