多级小波卷积神经网络
本研究提出了一种采用扩张残差卷积神经网络（CNN），并使用零填充来保持输出和输入维数相同的方法，以Gaussian图像去噪为目标，能够在减少计算成本的同时实现与最新的残差去噪器相当的性能，并且在计算可解释性方面也能有所进展。
Aug, 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
本文介绍了一个新颖的 CNNs 图像恢复架构，名为 MIRNet，该架构具有多尺度残差块、多分辨率卷积流、空间和通道注意力机制、基于注意力的多尺度特征聚合等关键特征，能够同时维护高分辨率精确表达和从低分辨率表示中获得强有力的语境信息。实验结果表明，MIRNet 在图像去噪、超分辨率和图像增强等多项任务中取得了最先进的结果。
Mar, 2020
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
本文设计了基于小波变换和空间注意力机制的双分支网络（WDNet），用于图像去马赛克处理，并在Rain 100和Raindrop 800数据集上优于现有的图像去雨滴方法。
Jul, 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
提出一种新颖的残差循环多小波卷积神经网络R2-MWCNN用于低光图像增强和降噪，该网络通过多层离散小波变换将输入特征图划分为不同的频率，提出了通道损失函数来更正颜色扭曲，实验证明该方法在量化和定性上优于现有的方法。
Jun, 2023
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