今天给大家推荐一个涨点发顶会的好方向：小波变换+CNN。这俩热点的结合可以轻松实现“1+1＞2”的效果。
这是因为，一方面小波变换可以作为预处理步骤，提取出关键的局部特征，加速CNN收敛并提升性能；另一方面，CNN可以进一步处理小波变换提取的特征，提取高级抽象表示，用于后续的分类、识别或回归任务。
因此小波变换+CNN在学术界与工业界都很热门，特别是在信号处理和图像处理等任务中，效果炸裂好，比如ECCV 2024的WTConv，一种基于小波变换的新型卷积，实现小参数大感受野，显著提升了网络性能。
目前这个方向应用广、创新空间大，想发论文的同学可以考虑，我这边也整理了11篇最新的小波变换+CNN创新方案，代码基本都有，方便大家复现找灵感。
论文原文+开源代码需要的同学看文末
Wavelet Convolutions for Large Receptive Fields
方法：作者通过引入小波变换（WT）提高卷积神经网络（CNNs）的感受野，以解决传统大核卷积的过参数化问题，提出的WTConv层作为现有架构的替代方案，不仅实现了多频率响应和抗图像污染能力，还增强了对形状的响应，填补了CNNs在低频响应上的研究空白。
创新点：
-
提出了WTConv层，利用小波变换增加CNN的感受野，而不大幅增加参数。
-
WTConv能有效地处理多频率信号，提升网络对图像形状的识别能力。
-
实验证明WTConv能提高CNN在多种视觉任务上的性能和鲁棒性。
WaveDH: Wavelet Sub-bands Guided ConvNet for Efficient Image Dehazing
方法：WaveDH是一个新颖的卷积网络，它利用小波变换进行指导上采样和下采样，并结合频率感知特征细化过程。小波分解用于提取特征的低频和高频成分，提高处理速度的同时保持高质量重建。
创新点：
-
小波子带引导的网络：利用小波变换在频率域内处理图像去雾问题。
-
频率感知特征处理：根据频率特性分别处理图像的低频和高频成分。
-
高效的上采样和下采样：通过小波变换实现图像尺寸变换，减少计算量。
SFFNet: A Wavelet-Based Spatial and Frequency Domain Fusion Network for Remote Sensing Segmentation
方法：本文提出了一种名为SFFNet的两阶段分割网络，采用了CNN与Transformer结合的方法，通过引入小波变换特征分解器（WTFD）和多尺度双表征对齐滤波器（MDAF），在保持足够空间信息的同时，引入频域信息以提高分割精度和鲁棒性。
创新点：
-
双域特征融合：通过结合空间和频率域特征来提升遥感图像分割的性能。
-
小波变换：使用小波变换在频率域中提取图像的低频和高频特征。
-
特征对齐滤波器：设计了一种新的结构来对齐和选择不同域的特征，增强特征表示能力。
Efficient Multi-scale Network with Learnable Discrete Wavelet Transform for Blind Motion Deblurring
方法：本文提出了一种基于SIMO的多尺度架构，通过引入可学习的小波变换模块和多尺度损失函数，在提高图像去模糊效果和细节恢复能力的同时，实现了对真实场景的更好适应性。
创新点：
-
多尺度图像去模糊框架：提出了一个逐步去模糊的方法，简化了现有算法并提高了效率。
-
可学习的离散小波变换节点：增加了对高频细节的恢复能力，提升了图像质量。
-
多尺度损失函数：通过精确的像素和尺度指导，优化了图像恢复过程。
关注下方《学姐带你玩AI》🚀🚀🚀
回复“小波CNN”获取全部论文+开源代码
码字不易，欢迎大家点赞评论收藏
