Py学习  »  机器学习算法

已登CVPR&Nature子刊,小波变换+深度学习杀疯了 !!

AI算法科研paper • 7 月前 • 226 次点击  

可解释关注下方【AI算法科研paper】,点亮“星标⭐”,优质文章第一时间推送

融合小波变换的深度学习模型是当前的研究热点之一,这个交叉领域热度高、前景好、创新空间大,只要选对结合点和方法,冲顶会顶刊问题不大。

比如+Transformer、+GNN、+KAN、+CNN、+mamba等,就是目前比较前沿而且热度很高的结合方式,而且它们也已经成为了提升性能、解决特定问题的核心手段之一,相关工作频繁出现在CVPR、nature等顶会顶刊上。

如果你也对此感兴趣,现在正是入场的好时机。本文整理了41篇小波变换+深度学习前沿论文,附代码,可以帮助你紧跟领域技术进展,快速掌握主流研究方法,需要可无偿自取!

扫码添加小享, 回复“小波魔改”  

免费获取全部论文+开源代码

【CVPR】Efficient Multi-scale Network with Learnable Discrete Wavelet Transform for Blind Motion Deblurring

研究方法:论文提出一种单输入多输出(SIMO)高效多尺度去模糊网络 MLWNet,将可学习离散小波变换(LWN)与深度学习结合,在小波域提取方向与频率特征,配合多尺度损失与小波自监督损失,实现高效且细节更优的盲运动图像去模糊。

创新点:

  • 提出单输入多输出(SIMO)的多尺度去模糊架构,简化传统由粗到精流程,降低模型复杂度并提升推理效率。
  • 设计可学习离散小波变换模块(LWN),将特征投影到小波域,捕捉真实模糊的方向连续性与高低频信息,增强细节恢复能力。
  • 构建多尺度监督损失与小波自监督损失,约束小波核学习方向,实现逐像素、逐尺度的精准图像修复。

研究价值:研究提出的MLWNet将可学习小波变换与高效多尺度深度学习结合,显著提升真实场景盲运动去模糊的细节恢复效果与推理速度,为面向真实图像的高效复原任务提供了性能领先、结构简洁的新范式。

【nature子刊】WMambaFuse: an infrared and visible image fusion network based on wavelet mamba

研究方法:论文提出WMambaFuse红外与可见光图像融合方法,将小波变换与Mamba、Swin Transformer深度学习结合,采用空间-频率双分支融合,在小波域用多向Mamba增强高频细节并完成高效特征融合。

创新点:

  • 采用Swin Transformer作为编码器提取多模态多尺度深度特征,搭配循环解码器在时空维度保持特征连贯性,提升融合结果的结构完整性。
  • 设计空间-频率双分支互补融合模块,分别在空间域聚焦局部细节、在小波域处理高频纹理,实现红外与可见光特征的高效互补。
  • 提出小波-Mamba融合单元,利用小波分解分离高低频分量,结合多向 Mamba 增强边缘纹理融合效果。

研究价值:研究将小波变换与Mamba、Swin Transformer深度融合,有效解决红外与可见光图像融合中细节丢失、全局结构不一致的问题,为多模态图像融合提供了效果更优、实用性更强的新方案。

扫码添加小享,回复“小波魔改”  

免费获取全部论文+开源代码



相关研究方向文章推荐
RECOMMEND
图片
一区 Accept 稳拿!小波变换+注意力机制持续火爆,发文思路给你整理好了,你上你也行
小波变换+Mamba联合上大分,顶会顶刊库库发!看懂这篇文章你上你也行
Transformer是真热啊!叠上小波变换热上加热,绝对还能发更多顶会论文!
如果觉得有用,请帮我点个‘推荐 ❤️’让更多人看到

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/194902