We investigate a biologically motivated approach to fast visual classification, directly inspired by the recent work of Serre et al. Specifically, trading-off biological accuracy for computational efficiency, we explore using wavelet and grouplet-like transforms to parallel the tuning of visual cortex V1 and V2 cells, alternated with max operations to achieve scale and translation invariance. A feature selection procedure is applied during learning to accelerate recognition. We introduce a simple attention-like feedback mechanism, significantly improving recognition and robustness in multiple-object scenes. In experiments, the proposed algorithm achieves or exceeds state-of-the-art success rate on object recognition, texture and satellite image classification, language identification and sound classification.
Wavelet-Driven Masked Image Modeling: A Path to Efficient Visual Representation
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Peng Cheng Laboratory（鹏城实验室）；University of Chinese Academy of Sciences（中国科学院大学）；Shanghai Jiao Tong University（上海交通大学）
Wavelet Flow: Fast Training of High Resolution Normalizing Flows
York University（约克大学）；Borealis AI（北极光人工智能）；Ryerson University（瑞尔森大学）；Samsung AI Centre Toronto（三星人工智能中心多伦多分部）；Vector Institute（向量研究所）
规范化流是一类概率生成模型，它允许快速密度计算和有效采样，并且在模拟图像等复杂分布时有效。当前方法的一个缺点是其显著的训练成本，有时需要数月的GPU训练时间才能实现最先进的结果。本文介绍了小波流，一个多尺度，规范化的流架构的基础上小波。小波流具有信号尺度的显式表示，其固有地包括较低分辨率信号的模型和较高分辨率信号的条件生成，即，超分辨率。小波流的一个主要优点是能够为高分辨率数据构建生成模型（例如，1024 x 1024图像），这是不切实际的与以前的模型。此外，在标准（低分辨率）基准测试中，Wavelet Flow在每维比特数方面与之前的归一化流具有竞争力，同时训练速度最多快15倍。
WaveGuard: Robust Deepfake Detection and Source Tracing via Dual-Tree Complex Wavelet and Graph Neural Networks
College of Computer Science and Technology, Xinjiang University（新疆大学计算机科学与技术学院）；Xinjiang Multimodal Intelligent Processing and Information Security Engineering Technology Research Center（新疆多模态智能处理与信息安全工程技术研究中心）；College of Computer Science and Electronic Engineering, Hunan University（湖南大学计算机科学与电子工程学院）；School of Computer Science, Hefei University of Technology（合肥工业大学计算机科学与技术学院）
Fourier or Wavelet bases as counterpart self-attention in spikformer for efficient visual classification
School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
Category-aware EEG image generation based on wavelet transform and contrast semantic loss
Department of Integrated Neuroanatomy and Neuroimaging, Kyoto University Graduate School of Medicine（整合神经解剖与神经影像学系，京都大学医学研究院）；JancsiLab, JancsiTech（Jancsi实验室，Jancsi科技）；Sino-Finland Joint AI Laboratory for Child Health of Zhejiang Province（浙江省儿童健康中芬联合人工智能实验室）
Fast Single Image Dehazing via Multilevel Wavelet Transform based Optimization
National University of Singapore（新加坡国立大学）；Nanyang Technological University（南洋理工大学）；Sun Yat-Sen University（中山大学）；Swinburne University of Technology（斯威本科技大学）
A Sinc Wavelet Describes the Receptive Fields of Neurons in the Motion Cortex
Quantum Lucid Research Laboratories（量子清晰研究实验室）
视觉感知来自于流经视觉系统的信息的系统转换。在神经元层级中，单个神经元的响应特性由位于下一级的神经元确定，并且反过来，确定位于上一级的神经元的响应。因此，在感受野建模中，必须确保通过组合其输入水平中的神经元的响应模型来生成给定水平中的神经元的响应特性。然而，运动皮层中神经元的现有响应模型并不固有地产生时间频率滤波梯度（TFFG）特性，所述时间频率滤波梯度（TFFG）特性已知沿着初级视觉皮层（V1）到中间时间（MT）运动处理流出现。TFFG是沿V1至MT通路从主要低通到主要带通的时间频率滤波特征的变化（Foster et al 1985; DeAngelis et al 1993; Hawken et al 1996）。我们设计了一个新的模型，sinc小波模型（Odaibo，2014），它逻辑上有效地生成了TFFG。该模型用sinc（sin（x）/x）函数取代了Gabor函数的正弦波载波，并且具有与现有模型相同或更少数量的参数。由于sinc小波与TFFG的突现网络性质在逻辑上是一致的，我们认为sinc小波是运动皮层神经元感受野的一个较好的模型。该模型将为大脑如何表达视觉信息提供新的生理学见解。
EndoWave: 4D Gaussian Splatting with Rational Wavelet for Endoscopic Reconstruction
Xi'an Jiaotong-Liverpool University（西安交通大学利物浦大学）；University of Liverpool（利物浦大学）；The Chinese University of Hong Kong（香港中文大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））；Zhejiang University of Technology（浙江工业大学）
The Gabor-Einstein Wavelet: A Model for the Receptive Fields of V1 to MT Neurons
Quantum Lucid Research Laboratories（Quantum Lucid研究实验室）；Howard University Hospital（霍华德大学医院）
我们的视觉系统在检测移动物体方面非常有效。这一过程由连接初级视觉皮层（V1）和中颞区（MT）的神经元介导。有趣的是，自从Kuffler对视网膜神经节细胞进行开创性实验以来，数学模型对于促进我们对视觉神经元感受野的理解至关重要。然而，现有的模型并没有被设计来描述V1到MT运动处理流中高度专业化的神经元的最显著属性;并且它们也无法做到这一点。在这里，我们介绍了Gabor-Einstein小波，一个新的家庭的功能代表感受野的V1 MT神经元。我们发现，空间和时间在视觉皮层中的混合方式类似于它们在狭义相对论（STR）中的混合方式。因此，我们通过要求：（i）波载波的相对论不变性，以及（ii）最小可能的参数数量来约束Gabor-Einstein模型。从这两个约束，sinc函数作为载波的自然描述符出现。V1到MT神经元的低通到带通时间频率滤波特性的特定分布（Foster et al 1985; DeAngelis et al 1993 b; Hawken et al 1996）可以通过Gabor-Einstein基础清楚地解释。此外，它这样做的方式天生代表运动处理流的神经元层次。我们的分析和计算机模拟表明，沿运动处理流的时间频率滤波特性的分布是大脑联合编码空间和时间的方式的直接影响。我们通过证明STR和联合皮层时空编码的相似数学结构揭示了这一基本联系。这种联系将为大脑如何表达视觉信息提供新的生理…
