已登CVPR＆Nature子刊，小波变换+深度学习杀疯了 ！！

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