- ICML使用频率屏蔽解释时间序列模型
该论文介绍了一种基于遮罩方法的频率和时频域解释方法 FreqRISE,它能够在多个任务中展现最佳性能,并主张时间序列的显著信息更可能局部化于频率域。
- DDLNet:用双域学习增强遥感变化检测
提出基于双域学习(频域和空域)的 RSCD 网络 DDLNet,利用离散余弦变换(DCT)捕捉时频信息以增强感兴趣的变化,并通过空间域恢复模块(SRM)融合时空特征来重建空域变化表示,实验证明该方法在三个基准 RSCD 数据集上实现了最先进 - 医学图像分割的空间频率双重逐步注意力网络
我们提出了 SF-UNet,这是一个具有空间频率双域注意力网络的模型,用于准确的医学图像分割,并在三个公共数据集上证明其有效性。
- 警惕别名 - 信号保留对于强健的图像恢复至关重要
通过在传统的重建变压器中提供无混叠路径,BOA-Restormer 是一种基于变压器的图像恢复模型,能够同时改善模型稳健性和恢复性能。
- KDD频率增强的跨城少样本交通预测预训练
我们提出了一种基于频率增强的预训练框架 FEPCross,用于跨城市少样本预测,通过引入时间和频率领域的信息进行自监督训练,以及设计模块来丰富训练样本并维护动量更新的图结构,从而降低过拟合风险和提高预测效果,实验证实了 FEPCross 在 - 傅立叶控制网络用于实时决策的具象学习
通过在机器人轨迹的频域中提取和编码时变特征的短时傅里叶变换 (STFT),傅里叶控制器网络 (FCNet) 实现了实时决策的并行训练和高效的循环推断,比传统方法如 Transformer 在各种大小的多环境机器人数据集上的效率和有效性更高。
- 基于物理指导的编码器 - 求解器卷积神经网络的全波形反演
根据观测边界数据估计给定领域中的波速分布是全波形反演(FWI)的一个反问题。为了降低计算复杂度,我们整合了一个基于卷积神经网络(CNN)的编码器 - 求解器预处理器的学习过程,该编码器 - 求解器被训练成有效地对离散化的 Helmholtz - FRCNet 频率与区域一致性用于半监督医学图像分割
本文介绍了两种半监督医学图像分割的一致性正则化策略,包括频域一致性(FDC)和多粒度区域相似性一致性(MRSC),通过这些策略有效高效地利用无标签数据进行特征学习,实验结果显示我们的方法取得了显著的性能提升,并超过其他最先进的方法。
- FTMixer:时间序列建模的频率和时域表示融合
为了捕捉局部和全局依赖关系,我们在频域和时域中引入了频域与时域混合器 (FTMixer) 来表示时间序列数据,通过频率通道卷积模块 (FCC) 和窗口频率卷积模块 (WFC) 来分别捕捉全局和局部依赖关系。同时,采用独立通道方案混合时域和频 - FAITH: 时间序列预测中的频域关注在两个视野中
提出了一种新的模型 FAITH,通过多尺度序列自适应分解和融合架构将时间序列分解为趋势和季节成分并分别处理,利用频域进行特征提取和处理,显著提高了处理长期依赖和复杂模式的能力,在长期和短期的时间序列预测任务中优于现有模型。
- 无状态推断的状态空间模型:传递函数方法
我们通过它的对偶表示 - 传递函数,设计了一种适用于深度学习应用的状态空间模型,并揭示了一种高度有效的序列并行推理算法,该算法是无状态的,与状态大小的增加相比,不会产生任何显著的内存和计算开销。
- SFFNet:基于小波的遥感分割的空间和频域融合网络
为了充分利用空间信息进行分割并解决遥感图像中灰度变化显著区域的挑战,我们提出了 SFFNet(Spatial and Frequency Domain Fusion Network)框架。该框架采用两阶段网络设计:第一阶段使用空间方法提取特 - FDCE-Net:嵌入频域和双色编码的水下图像增强
我们提出了一种嵌入频域和双色编码器网络(FDCE-Net),通过利用频率空间残差块(FSRB)将水下图像的降解因素在频域中解耦并分别增强不同属性,同时引入双色编码器(DCE)以解决颜色偏移问题,并通过融合网络结合 FS-Net 和 DCE - ATFNet:自适应时频集成网络用于长期时间序列预测
ATFNet 框架是一种创新性的方法,结合了时间域模块和频率域模块,可以同时捕捉时间序列数据中的局部和全局依赖关系,并在长期时间序列预测方面超越了当前最先进的方法。
- CVPR在频域中使用移动平均采样提升扩散模型
该研究论文提出了一种名为 MASF 的新方法,通过在频域内对不同频率分量进行移动平均来解决扩散模型在图像生成中的去噪不稳定性问题,实验结果表明,MASF 相较于基准方法具有卓越的性能和可扩展性。
- WaveFace:高效频域恢复的真实面部修复
WaveFace 通过在频域中分别处理低频和高频成分,解决了扩散模型在时间和身份保留方面的问题,高频成分通过统一网络处理,从而在身份保留和效率方面超越现有的扩散模型基础的 BFR 方法。
- 通过双域匹配实现时间序列分类的数据集压缩
提出了一种名为 CondTSC 的新框架,通过在时间和频率领域匹配代理目标,结合多视角数据增强、双域训练和双代理目标,以增强时间序列分类数据压缩过程的效果,并证明其优于其他基线模型,能够学习到符合原始数据分布并表现出理想特性的压缩合成数据集 - 频率注意力知识蒸馏
使用频域中的注意机制,在图像分类中提出了一种增强的知识蒸馏模型,可以从复杂的教师模型中提取全局信息,并在各种教师和学生架构上实验证明本方法优于其他知识蒸馏方法。
- AAAI基于对比学习和频谱滤波器配置的图像生成精炼的光谱翻译
该研究提出了一种基于对比学习的频谱转换框架(STIG),以改善生成对抗网络和扩散模型的图像生成性能,通过对图像的频谱进行精炼,减少频谱异常,提高图像质量。
- 用于少样本异常检测的双路径频率鉴别器
我们从频域角度提出了 Dual-Path Frequency Discriminators (DFD) 网络,用于解决少样本异常检测中的问题,并通过鉴别分类模块在特征空间中检测和定位图像级别和特征级别的异常,实验证明我们的方法超过了现有的最