本文介绍了一种在计算机视觉中使用的名为 WaveNet 的基于小波变换的通道注意力机制，可有效提高特征保留能力和图像分类性能。

Nov, 2022

基于雨天对成像系统正常运行的重大影响，本文提出了一种双支路注意力融合网络的方法，旨在解决多维图像特征融合的问题，通过引入两个支路的网络结构和注意力融合模块，完成了完备的消融实验和足够的对比实验，证明了该方法的合理性和有效性。

Jan, 2024

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

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

WaveDH 是一个新颖而紧凑的 ConvNet，利用小波分解从特征层中提取低频和高频组件，以提高处理速度并实现高质量重建，在频率感知的基础上对特征进行了优化，以在计算成本和准确性之间取得有利的权衡，通过大量实验证明，WaveDH 方法在多个图像去雾基准上优于许多最先进的方法，并大幅降低了计算成本。

Apr, 2024

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

基于边缘保持稠密自编码器网络的多模态医学图像的端到端无监督融合模型，通过波尔特分解的特征图注意力池化改进了特征提取过程，提高了源图像中精细边缘细节信息的保留和融合图像的视觉感知。通过在多种医学图像对上训练，有效地捕捉源图像的强度分布和保留诊断信息。实验结果表明，与其他最先进的融合方法相比，所提出的方法提供了改进的视觉和定量结果。

Oct, 2023

本论文介绍了一种利用注意机制和小波变换，名为 AWNet 的新型网络，用于解决可学习的图像 ISP 问题。实验结果表明，该方法在 qualitatif 和 quantitatif measurements 方面都取得了进展。

Aug, 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