- 分布式学习中的创新网络
本论文介绍了 Wavelet Kolmogorov-Arnold Networks（Wav-KAN）在联邦学习中的开发和应用，并在客户端中实现了 Wav-KAN，通过连续小波变换和离散小波变换实现了多分辨率能力，帮助在客户端之间进行异构数据 - 用于高效视觉分类的 Spikformer 中傅立叶或小波基作为对应的自注意力
使用峰值傅立叶变换、小波变换及其组合替代传统的自注意力机制，提出了基于峰值或小波的 spikformer（FWformer），在视觉分类任务中验证并表明其能够达到可比甚至更高的准确性（0.4%-1.5%），更快的运行速度（训练速度提高 9% - 基于神经网络的提升步骤，以改善 JPEG 2000 中的完全可扩展有损图像压缩
该研究提出使用神经网络辅助的额外 lifting 步骤来增强传统小波变换中的 lifting 步骤。这些额外的步骤减少了小波子频带中的冗余性（尤其是混淆信息），同时提高了降低分辨率后重建图像的视觉质量。通过将该方法应用于 JPEG 2000 - FreGrad：轻量级高速频率感知扩散语音合成器
本文旨在使用一种轻量级和快速的扩散基声码器（FreGrad）生成逼真的音频。通过离散小波变换将复杂波形分解为子带小波，以帮助 FreGrad 在简单的特征空间上进行操作；设计了一种频率感知膨胀卷积，提高频率感知性，产生具有准确频率信息的语音 - DedustNet：基于频域主导的 Swin Transformer 的小波网络用于农业粉尘去除
我们提出了一种名为 DedustNet 的全新训练学习网络，利用基于 Swin Transformer 的波变换网络来解决实际农业图像去尘任务，并通过深度学习技术有效去除图像中的尘埃而保留原始结构和纹理特征，在农业机械应用中取得了卓越的性能 - 基于 CLIP 傅里叶引导小波扩散的低光图像增强
通过 CLIP-Fourier Guided Wavelet Diffusion 方法的混合频率域空间，我们设计了一个通过小波变换实现有效图像增强的引导网络，能够恢复图像的细粒度结构并避免多样性混淆。经过大量定量和定性实验证明，我们的方法胜 - 通过小波和图论度量从脑电图信号中检测癫痫发作
使用最大重叠离散小波变换分析脑电图信号，结合简单统计参数和图论指标进行癫痫检测，达到较其他方法更优的召回率和灵敏度表现。
- WFTNet：利用全局和局部周期性进行长期时间序列预测
本文提出了一种基于波尔均匀转换网络 (WFTNet) 的长期时间序列预测方法，WFTNet 利用了傅里叶和小波变换来提取信号中综合的时间频率信息，其中傅里叶变换捕捉全局周期模式，小波变换捕捉局部模式，此外还引入了一个周期性加权系数 (PWC - 逐阶层小波优化细化扩散模型在稀疏视角 CT 重建中的应用
一项名为 SWORD（Stage-by-stage Wavelet Optimization Refinement Diffusion）模型的创新性方法被提出，用于稀疏视图 CT 重建。该方法结合了低频和高频生成模型，通过优化过程实现解决方 - CVPR紧凑型神经辐射场的遮罩小波表示
本文提出了一种利用小波变换和可训练掩模方法结合网格神经场的方法来减少计算和存储资源的使用，以实现更加紧凑的场景渲染的方法。实验结果表明，在 2MB 的内存预算下，该方法的性能达到了最优水平。
- WaveNets：小波通道注意力网络
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。
- WISE: 提高 Transformer 长序列学习能力的小波变换
本文即系统地研究了小波变换和 Transformer 之间的协同作用，提出了 WISE 范式，通过应用前向小波变换、在小波系数空间中进行非线性变换、通过反向小波变换在输入空间中重构表示的方法，用固定或自适应小波在小波空间中学习注意力可以一致 - 基于多尺度残差特征的网络流量异常检测方法
本研究提出了一种基于网络流量的多尺度残差特征的异常检测方法，利用滑动窗口将流量分成不同时间跨度的子序列，并使用小波变换技术将每个子序列分解和重构为不同级别的数据序列；使用栈式自编码器构建相似特征空间，并在相似特征空间中使用构建后的样本和输入 - ICCVSDWNet：一种基于小波变换的长径网络用于图像去模糊
本研究提出一种使用扩张卷积和小波变换的简化网络结构来解决图像去模糊问题，通过充分利用不同的感受野，使我们的方法在训练要求较低的情况下实现了与现有算法相当的性能。
- Fre-GAN: 对抗训练的频率一致音频合成
本文提出了一种名为 “Fre-GAN” 的神经音源模型，通过分辨率连接生成器和分辨率智能的鉴别器，在多个频带中学习各种尺度的频谱分布，有效地实现高保真频率一致性音频合成，并在质量和 MOS 上优于标准模型。
- 嵌入式智能多传感器表征的联邦自监督学习
提出了一种基于小波变换的自监督学习方法，用于从未标注的传感器输入中学习有用的表示，该方法通过优化对比目标使用深时间神经网络来确定一对信号和其补充视图（即使用小波变换生成的 scalogram）是否对齐，对无标签的数据进行训练可以提高泛化能力 - 基于小波信道注意力融合网络的单幅图像去雨
本文提出了一种新的卷积神经网络，叫做 Wavelet 通道注意力模块与融合网络，通过利用小波变换和逆小波变换来恢复图像，结合通道注意力，取得了比现有方法更好的降雨噪声图像去噪效果。
- 使用非平行训练数据转换频谱和声调进行情感语音转换
提出了一种使用循环生成对抗网络和小波变换将非平行语音数据转化为伪对传递来完成情感音频转换，并通过分解基频到 10 个不同时间尺度进行有效的声调转换，实验结果表明，该框架在客观和主观评估中优于基准。
- 基于小波域的图像风格迁移对单张图像超分辨率中的感知失真权衡的有效性
本文提出了一种基于小波域风格转移的新方法，该方法比基于 GAN 的方法达到了更好的感知质量和畸变之间的平衡，通过使用 2D 小波变换来将图像分解为低频和高频子带，并为低频子带和高频子带分别提供单独的处理，最后将两个子带重新组合以获得同时具有 - 多级小波卷积神经网络
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。