Nov, 2023

L-WaveBlock：基于小波的新型特征提取器用于生成对抗网络

PDF
TL;DR通过引入 L-WaveBlock，这篇论文以生成对抗网络 (GANs) 为基础，结合离散小波变换 (DWT) 和深度学习方法，提出了一种新颖且强大的特征提取器，能够加快 GAN 生成器的收敛速度并增强性能，展示了其在三个数据集上的出色效果，为图像的分辨率、生成和去噪等领域提供了一种稳健而高效的工具。
generative adversarial networksl-waveblockdiscrete wavelet transformfeature extractionconvergence speed
发现论文，激发创造
  • WaveCNet: 集成小波变换的卷积神经网络以抑制混叠效应，实现抗噪图像分类

    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

  • 基于小波的 CNN 用于噪声鲁棒性图像分类

    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

  • 基于多层小波的生成对抗网络用于压缩视频感知质量提升

    本文提出了一种基于多层小波包变换的生成对抗网络（MW-GAN）方法，旨在增强压缩视频的感知质量，其中运动补偿与小波重构网络被用于恢复高频细节，实验结果表明了该方法的优越性。

    Aug, 2020

  • WaveDH: 基于小波子带引导的卷积神经网络在高效图像去雾中的应用

    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

  • 基于离散小波变换的卷积神经网络的详细密集推断

    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

  • 基于离散小波变换的颜色通道生成对抗网络用于文档图像二值化

    使用离散小波变换（DWT）和生成式对抗网络（GAN）的 CCDWT-GAN 模型在文本信息提取方面表现良好，可用于处理受污染的文本图像。

    May, 2023

  • 小波扩散模型：快速可扩展的图像生成器

    通过提出一种基于小波的扩散方案以及使用重构项来提高模型训练收敛性，本文旨在缩小扩散模型与 GAN 模型之间速度差距，实验结果证明该方案是实现实时高保真扩散模型的基础。

    Nov, 2022

  • WaveMix：一种用于图像分析的资源高效神经网络

    WaveMix 是一种用于计算机视觉的新型神经体系结构，它具有资源效率，可推广性和可扩展性，使用多级二维离散小波变换（2D-DWT）在 WaveMix 块中，可以比现有技术更快、更好地实现分割和分类。

    May, 2022

  • DW-GAN：一种用于非均质去雾的离散小波变换 GAN

    提出了一种基于 2D 离散小波变换的去雾网络 (DW-GAN)，在 DWT 分支中利用小波变换来保留更多高频信息，采用 ImageNet 预训练的 Res2Net 来提高网络的泛化能力，并通过基于补丁的鉴别器来减少图像恢复的伪影，该方法在定量和定性上优于现有的去雾方法。

    Apr, 2021

  • 深度自适应小波网络

    本文提出一种采用多分辨率分析和波形表示的、深度神经网络的设计方法，以提升卷积神经网络的可解释性，并在图像分类任务中取得竞争性的准确性。

    Dec, 2019