利用小波散射网络对静态过程进行表示，获得更高阶矩并可用于区分具有相同傅立叶功率谱的纹理，对于手写数字和纹理判别任务取得了最先进的分类结果。

Mar, 2012

本研究通过建立一个简单的网络架构(Texture CNN)，探究了卷积神经网络(CNN)中深度特征提取层与纹理分析方法之间的相似性，并将纹理分析方法中的filter bank思想应用到神经网络中，证明了其对提升网络表现和大幅减少运算及占用空间的优势。

Jan, 2016

本文使用卷积神经网络和傅里叶频谱以及统计特征约束来实现纹理合成，并实验表明与现有方法相比具有更好的性能。

May, 2016

我们提出了一种新的CNN架构，Wavelet CNN结合多分辨率分析和CNNs成为一个模型，在图像分类和图像注释等任务中，它比传统CNN具有更好的性能与较少的参数。

May, 2018

本文研究如何通过离散小波变换（DWT）代替传统的max-pooling，strided-convolution和average-pooling来提高卷积神经网络（CNN）的抗噪性能，并设计了WaveCNets来进行图像分类，实验证明WaveCNets相比于VGG，ResNets和DenseNet等传统版本具有更好的噪声鲁棒性和准确性。

May, 2020

该论文提出了一种将小波变换与CNN融合的方法,通过DWT/IDWT层将特征图分成低频和高频两部分来提高CNN对噪声和对抗性攻击的鲁棒性，并在COCO检测数据集上不断提高object detectors性能的实验结果表明，该方法可以有效提升CNN的训练速度和精度。

Jul, 2021

该文提出了一种基于非线性小波表示的统计方法，其可以用作一层CNN的一种实例来提高图像纹理合成的视觉质量。该方法取代了以往经典的小波模型，并在灰度和彩色纹理上达到了与最先进模型相似的视觉效果。

Mar, 2022

该研究采用21个不同的预训练Vision Transformer架构，评估其在纹理识别中的性能，并与卷积神经网络和手工设计模型进行比较。结果显示，Vision Transformers在纹理识别方面通常优于卷积神经网络和手工设计模型，尤其在使用更强的预训练和处理来自互联网的纹理任务时表现突出。其中，ViT-B with DINO pre-training，BeiTv2，Swin architecture以及EfficientFormer被认为是更具潜力的模型。此外，尽管GFLOPs和参数数量较高，ViT-B和BeiT(v2)在GPU上的特征提取时间比ResNet50更短，从而实现了更高的效率。

Jun, 2024

利用小波变换，我们提出了一种名为WTConv的卷积层，它能够获得非常大的感受野，而不会过度参数化，可在不同架构中使用，具有多频响应和良好的可扩展性。我们证明了WTConv层在图像分类和后续任务中的有效性，以及其对形状敏感性和纹理响应的增强。

Jul, 2024

本文针对卷积神经网络（CNN）的过拟合问题，提出了一种新颖的正则化方法——谱小波 dropout（SWD），通过在特征图的离散小波分解中随机丢弃详细频带，提高模型的泛化能力。与现有的傅里叶 dropout 方法相比，SWD 使用单一超参数，并在多个基准测试中表现出更低的计算复杂性与更优的性能。

Sep, 2024