187、频率域超分：从DCT到小波变换的频域特征学习与SRCNN改进去年做项目时遇到一个头疼的问题：用SRCNN做老照片修复，低频区域（比如天空、墙面）恢复得还行，一到纹理密集的地方（头发、树叶）就糊成一团。调了几天学习率、换了激活函数，效果始终上不去。后来跟师兄聊，他一句话点醒我：“你一直在空间域折腾，有没有想过把特征转到频率域看看？”这一下打开了新世界的大门。从DCT说起：为什么空间域不够用SRCNN的核心思路很简单：用三层卷积去学习低分辨率到高分辨率的映射。但问题在于，卷积操作天然倾向于捕获局部、低频的信息。你仔细想想，一个3×3的卷积核，感受野就那么点，高频细节（边缘、纹理）在空间域里往往对应着像素值的剧烈变化，卷积核很难稳定地学到这种“突变”模式。DCT（离散余弦变换）是JPEG压缩的老朋友了。把图像分块（比如8×8）做DCT，低频系数集中在左上角，高频系数在右下角。这里有个关键洞察：超分任务中，高频信息的恢复恰恰是难点。如果在DCT域里做处理，相当于把“难啃的骨头”单独拎出来。我踩过一个坑：直接对整张图做DCT，然后输入网络。别这样写。DCT是分块处理的，整图变换会引入边界伪影。正确的做法是重叠分块（overlap），比如步长设为4，块大小8×8，这样相邻块之间有重叠，能缓解块效应。代码里这样写：# 这里踩过坑：stride=8会导致块边界明