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
此研究论文介绍了自适应小波网络（AdaWaveNet），它是一种新颖的方法，采用自适应小波变换对非平稳时间序列数据进行多尺度分析。AdaWaveNet 设计了基于 lifting scheme 的小波分解和构造机制，提供了增强的灵活性和鲁棒性，在预测、填充和高清重建等任务上表现出了优越的效果，展示了其在各种实际应用中的潜力。
May, 2024
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
本文介绍了一种小波神经网络，该网络能够学习一个专门适合非平稳信号的滤波器组，并提高数字信号处理的可解释性和性能。实验结果表明，该网络可以快速收敛，在噪声数据上具有良好的泛化能力，并优于标准网络架构。
May, 2022
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
用卷积神经网络构建高效且可解释的端到端音频深度学习模型，通过在三个标准语音情感识别数据集上的实验验证，我们的框架在效率和可解释性方面表现优越，对抗 Mel 频谱特征有高达 7% 的改进；还揭示了前端层在处理复杂的长波形模式方面的高效性和可解释性，通过 PhysioNet 心音数据库的实例进行了论证，为处理原始波形数据构建了可移植的有效模型解决方案。
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。
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
本文介绍了一种基于小波变换的多分辨率感知器神经网络结构，该结构通过添加池层，创建了一个新的网络单元 WavPool，将尺度和空间信息同时提供给网络，相对于类似的多层感知器和卷积神经网络具有更高的相对准确性。
Jun, 2023