A会锦囊：小波变换+深度学习！新作准确率飙升至98.13％！

最近在CVPR24上，看到一篇效果拔群的文章，作者通过把小波变换与注意力机制结合，在动态手势识任务中准确率飙升至98.13％！

不仅如此，在Nature、ICCV、AAAI等版面中，也出现了多篇小波变换+深度学习的文章！像是与CNN结合的MLWNet、与Transformer结合的EWT……

其热度可见一斑！主要在于，这种结合，能充分发挥小波变换敏锐的多尺度信息捕捉和降低模型噪声的能力，为提高深度学习模型性能和计算效率提供强大的支撑。且小波变换和深度学习都是当前的热门，涉及的算法多种多样，可发挥空间也很大。

此外，除前文所提，想发论文的伙伴，还可以关注小波变换与KAN、与GNN等的结合。为方便大家研究的进行，我也给大家梳理了35种前沿创新方法和源码！

论文原文+开源代码需要的同学看文末

1.小波变换+Transformer

论文：EWT: Efficient Wavelet-Transformer for Single Image Denoising

内容

该论文提出了一种名为Efficient Wavelet-Transformer (EWT) 的图像去噪方法，它通过结合离散小波变换(DWT)和逆小波变换(IWT)来降低图像分辨率，减少GPU内存消耗，同时保持信息不丢失，还引入了一个高效的多级特征聚合模块(MFAM)和一个新颖的双流特征提取块(DFEB)，结合了卷积神经网络(CNN)和Transformer的优势，以提取不同层级的特征。

2.小波变换+CNN

论文：Wavelet Convolutions for Large Receptive Fields

内容

该论文介绍了一种名为WTConv的新型卷积层，它利用小波变换（Wavelet Transform, WT）来增加卷积神经网络（CNNs）的感受野，而不需要大幅增加参数数量，通过在ConvNeXt和MobileNetV2架构中使用WTConv进行图像分类，以及将其作为下游任务的骨干网络，展示了WTConv层的有效性，包括对图像损坏的鲁棒性以及对形状而非纹理的增强响应。

3.小波变换+注意力机制

论文：ASCNet: Asymmetric Sampling Correction Network for Infrared Image Destriping

内容

该论文介绍了一种名为ARCNet的新型不对称残差小波列校正网络，用于红外图像去条纹处理。ARCNet利用不对称采样结构、残差Haar离散小波变换（RHDWT）和列非均匀性校正模块（CNCM），以提高图像重建性能，丰富图像特征表示，并指导校正图像中的条纹不均匀噪声。

4.小波变换+KAN

论文：Unveiling the Power of Wavelets: A Wavelet-based 1 Kolmogorov-Arnold Network for Hyperspectral Image Classification

内容

该论文提出了一种基于小波的Kolmogorov-Arnold网络（Wav-KAN）用于高光谱图像分类，该网络通过将小波函数作为可学习的激活函数，有效地捕捉多尺度空间和光谱模式，Wav-KAN通过其小波架构实现了可解释的非线性映射，同时捕捉多尺度模式，展示了将表示定理纳入深度学习模型以增强对高维、相关数据如高光谱图像的处理性能的优势。

5.小波+图神经网络

论文：Adaptive Graph Convolution Networks for Traffic Flow Forecasting

内容

该论文提出了一种名为AGC-net的新型自适应图卷积网络，用于交通流预测，通过自适应图卷积（AGC）和上下文注意力机制，动态调整图卷积的感受野，以适应不同时间步的交通流变化，还设计了可学习的偏移卷积核来优化不准确的道路拓扑结构。

 关注下方《人工智能学起来》

回复“小波魔改”获取全部论文+开源代码

码字不易，欢迎大家点赞评论收藏