小波卷积神经网络
本研究提出了一种新型的卷积神经网络，即小波卷积神经网络，将频域分析与卷积神经网络相结合，并在纹理分类中实验表明该模型比传统卷积神经网络的表现更好，且参数数量更少，易于训练。
Jul, 2017
提出了Wavelet-like自编码器用于基于图像分解的深度神经网络加速，并结合一个标准分类网络，该框架不仅能够保持图像的主要组成部分，也可应用于任意卷积神经网络的分类，具有解释性。
Dec, 2017
本文提出了一种新的多层小波卷积神经网络（MWCNN）模型来更好地平衡感受野大小和计算效率，通过引入小波变换来减小收缩子网络中特征映射的大小并降低通道数，再使用反向小波变换来重建高分辨率特征映射，该模型可应用于许多图像修复任务，实验结果表明其有效性。
May, 2018
该论文提出了一种基于CNN编码器-解码器结构的WCNN，并在城市景观数据集上进行了实验，结果表明它能够有效地进行高分辨率密集像素预测并提高准确性。
Aug, 2018
本文提出了一种多级小波卷积神经网络(MWCNN)模型，通过将小波变换嵌入到CNN体系结构中，以在减少特征映射分辨率和增加感受野之间实现更好的权衡，以实现图像去噪、单图像超分辨率、JPEG图像伪影去除和物体分类等任务的有效性。
Jul, 2019
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
本文提出了一种新的抗锯齿方法，通过使用复数卷积和模运算代替实数卷积和最大池化，以提高卷积神经网络的平移不变性，同时基于双树复小波分组变换设计了一个“双生”结构，实现了与标准卷积神经网络类似的输出效果，提高了图像分类的预测准确性，并且保留了高频信息同时减少内存使用。
Dec, 2022
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