High Frequency Matters: Uncertainty Guided Image Compression with Wavelet Diffusion
Xidian University（西安电子科技大学）
本文提出了一种基于小波扩散的不确定性引导图像压缩方法，通过高频压缩和残差编解码器提升图像压缩的保真度和效率。
2025-12-22 cs.CV eess.IV
WaveLLM: Wavelet-Domain LLM Entropy Modeling for Lossless Image Compression
University of Science and Technology of China（中国科学技术大学）；Nanyang Technological University（南洋理工大学）；Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）
WaveLLM是一种小波域LLM熵模型，通过小波分解将异构图像预测问题转化为结构化子问题，结合数值接口与任务自适应提示，在三个无损图像压缩基准上优于现有方法。
2026-10-19 cs.CV
Image Compression with Iterated Function Systems, Finite Automata and Zerotrees: Grand Unification
分形图像压缩、Culik图像压缩和小波图像分解系数的零树预测编码之所以能够成功，是因为被压缩的典型图像具有显著的自相似性。除了共同的概念，这些方法变得更加紧密相关，一种技术到另一种技术的算法简化。本文的目的就是要证明这些关系。本文以常规的图像处理术语对Culik的图像压缩进行了简单的解释，而没有求助于有限状态机和类似的崇高语言。的解释被证明是算法相关的IFS分形图像压缩方法：一个IFS可以完全转换成Culik的图像代码。使用这种变换，我们将证明，在一个自相似（一部分）图像的任何零小波系数是零树的根，或其分支。本文讨论了零树编码（小波/投影）系数作为一个共同的预测器/校正器，适用于垂直通过不同层的多分辨率分解，而不是在同一个视图。这种解释导致洞察图像压缩技术的演变：从因果单层预测，非因果同视图预测（小波分解等）和因果跨层预测（零树，Culik的方法）。
2000-03-15 cs.CV
Every Packet Counts: Dispersing Information for Loss-Resilient Learned Image Compression
Shanghai Jiao Tong University（上海交通大学）；Huawei Technologies Ltd.（华为技术有限公司）；Central Media Technology Institute（中央媒体技术研究院）
本文针对学习型图像压缩的抗丢包问题，提出ICR、ICG机制及双层双分支自回归结构，实验显示其在丢包场景下的重建质量和稳定性均优于现有方法，且可泛化到突发丢包场景。
2026-08-12 cs.CV
iWave3D: End-to-end Brain Image Compression with Trainable 3-D Wavelet Transform
University of Science and Technology of China（中国科学技术大学）
随着全脑成像技术的飞速发展，产生了大量的脑图像，这就对高效的脑图像压缩方法提出了很大的需求。目前最常用的压缩方法都是基于三维小波变换的，如JP 3D。然而，传统的三维小波变换是在对信号进行一定假设的情况下手工设计的，但脑图像并不像假设的那样理想。更重要的是，它们没有直接针对压缩任务进行优化。为了解决这些问题，我们提出了一种基于提升方案的可训练三维小波变换，其中预测和更新步骤由三维卷积神经网络代替。然后将所提出的变换嵌入到称为iWave 3D的端到端压缩方案中，该方案使用大量的大脑图像进行训练，以直接最小化率失真损失。实验结果表明，我们的方法优于JP 3D显着的平均BD-PSNR的2.012 dB。
2021-10-10 cs.CV cs.MM eess.IV
Wavelet Feature Maps Compression for Image-to-Image CNNs
Ben-Gurion University（本-古里安大学）
众所周知，卷积神经网络（CNN）需要大量的计算资源，量化是压缩它们的最好和最常用的方法之一。虽然积极的量化（即，小于4比特）对于分类表现良好，但它可能在诸如语义分割和深度估计的图像到图像任务中导致严重的性能降级。在本文中，我们提出了小波压缩卷积（WCC）-一种新的方法，用于高分辨率激活映射压缩集成逐点卷积，这是现代架构的主要计算成本。为此，我们使用一个高效的和硬件友好的Haar小波变换，其有效性在图像压缩，并定义压缩激活映射的卷积。我们尝试了从高分辨率输入中受益的各种任务。通过将WCC与轻量化相结合，我们实现了相当于1- 4位激活量化的压缩率，同时性能下降相对较小且更加优雅。我们的代码可在https://github.com/BGUCompSci/WaveletCompressedConvolution上获得。
2022-10-16 cs.CV cs.LG eess.IV
Cross-boosting of WNNM Image Denoising method by Directional Wavelet Packets
Tel Aviv University（特拉维夫大学）；University of Jyväskylä（于韦斯屈莱大学）
本文提出一种结合方向性小波包去噪与WNNM的交叉增强图像去噪方法，通过迭代互增强，在定量和视觉质量上优于多数先进算法。
2023-05-09 cs.CV eess.IV
Compressed sensing of astronomical images:orthogonal wavelets domains
提出了一种简单的正交小波在压缩传感（CS）应用中的方法。我们比较了CS中不同正交小波测量矩阵的有效算法，用于扫描感光板（SPP）的图像处理。得到了SPP天文图像处理的一些重要特性。给出了在压缩感知中构造测量矩阵的最佳正交小波的选择。定义了线性和非线性图像压缩方法的图像质量测度。
2021-08-18 astro-ph.IM cs.CV physics.data-an
Exploration of Learned Lifting-Based Transform Structures for Fully Scalable and Accessible Wavelet-Like Image Compression
本文研究面向可伸缩可访问图像压缩的学习型提升小波变换结构，通过比较提升步骤排列、网络架构及训练方法，发现保留固定步骤、增加通道更有益，并取得较JPEG 2000超25%的码率节省。
2024-02-29 cs.CV cs.MM eess.IV
Enhancement of theColor Image Compression Using a New Algorithm based on Discrete Hermite Wavelet Transform
Aliraqia University（伊拉克大学）；University of Technology（科技大学）；Kyiv National University of Construction and Architecture（基辅国立建筑与建筑工程大学）
互联网已经把整个世界变成了一个小村庄;这是因为它使分享数百万的图像和视频成为可能。然而，发送和接收大量数据被认为是一个主要挑战。为了解决这个问题，需要一种新的算法来减少图像比特并以压缩形式表示数据。然而，图像压缩是传输大型文件和图像的重要应用。这就需要在这一领域进行适当和有效的转让，以完成任务并取得最佳成果。在这项工作中，我们提出了一种新的算法的基础上离散厄米小波变换（DHWT），显示的效率和质量的彩色图像。该方法通过对彩色图像进行压缩，在MATLAB中加入小波变换后，对彩色图像进行分析，将其分解为近似系数和细节系数。通过多分辨率分析（MRA），推导出合适的滤波器，并通过测试新的滤波器并执行其操作来验证数学方面。在行的分解和重构的过程中，取滤波器的逆并处理矩阵的列，通过测量图像的参数来改进原始矩阵，以获得最佳质量的结果图像，例如峰值信噪比（PSNR）、压缩比（CR）、每像素比特数（BPP）和均方误差（MSE）。
2023-03-23 cs.CV eess.IV
Window-based Channel Attention for Wavelet-enhanced Learned Image Compression
Southern University of Science and Technology（南方科技大学）；Pengcheng Laboratory（鹏城实验室）
针对基于Swin-Transformer的学习型图像压缩模型感受野受限问题，首次将窗口划分融入通道注意力并扩展至空-通道注意力，结合小波变换构建SCH框架，实现率失真性能提升，在四个数据集上较VTM-23.1降低BD-rate达18.54%-24.71%。
2025-02-10 cs.CV eess.IV
3DM-WeConvene: Learned Image Compression with 3D Multi-Level Wavelet-Domain Convolution and Entropy Model
Simon Fraser University（西蒙菲莎大学）；Google Inc.（谷歌公司）
本文提出3DM-WeConvene框架，将3D多级小波变换融入卷积与熵编码以降低空间和通道相关性，显著提升学习图像压缩的率失真性能并降低计算复杂度。
2025-04-07 cs.CV stat.AP
ChWDTA: Channel-wise Wavelet-Domain Transformer Attention and Entropy Modeling for Learned Image Compression
Electrical and Computer Engineering Department, The University of British Columbia（英属哥伦比亚大学电气与计算机工程系）；School of Engineering Science, Simon Fraser University（西蒙弗雷泽大学工程科学学院）；School of Electronic Science and Technology, Eastern Institute of Technology（电子科学与技术学院，东部技术学院）；Google LLC（谷歌公司）
提出通道级小波域变换器注意力（ChWDTA）和通道级小波包分解，在混合CNN-Transformer图像压缩框架中提升率失真性能，在多个测试集上实现显著BD-rate降低。
2026-05-27 cs.CV cs.LG eess.IV
A Haar Wavelet-Based Perceptual Similarity Index for Image Quality Assessment
Universität Bremen（不来梅大学）；Fraunhofer Heinrich Hertz Institute（弗劳恩霍夫海因里希·赫兹研究所）；Technische Universität Berlin（柏林工业大学）；Berlin Institute of Technology（柏林工业大学）
在大多数实际情况下，图像和视频的压缩或传输会产生失真，最终会被人类观察者感知到。反之亦然，图像和视频恢复技术，如修复或去噪，旨在提高人类观众的体验质量。因此，正确地评估图像与人类观看者主观体验的未失真参考图像之间的相似性可以导致任何传输、压缩或恢复系统的显著改进。本文介绍了Haar小波为基础的感知相似性指数（HaarPSI），一种新的和计算成本低廉的相似性度量的全面参考图像质量评估。HaarPSI利用从Haar小波分解获得的系数来评估两个图像之间的局部相似性以及图像区域的相对重要性。HaarPSI与人类体验质量的一致性在四个大型基准数据库上进行了验证，其中包含数千张不同失真的图像。在这些数据库中，HaarPSI与人类意见分数的相关性高于最先进的全参考相似性度量，如结构相似性指数（SSIM），特征相似性指数（FSIM）和基于视觉显着性的指数（VSI）。随着简单的计算结构和短的执行时间，这些实验结果表明，在现实世界的任务HaarPSI的高适用性。
2017-11-06 cs.CV
Union is strength in lossy image compression
Universidad de Buenos Aires（布宜诺斯艾利斯大学）
在这项工作中，我们提出了不同的图像压缩技术之间的比较。首先，将图像划分为根据特定扫描组织的块。之后，几种压缩技术被应用，组合或单独。这些技术是：小波（Haar基）、Karhunen-Loeve变换等。仿真结果表明，组合的版本是最好的，具有较小的均方误差（MSE），以及更高的峰值信噪比（PSNR）和更好的图像质量，即使在存在噪声的情况下。
2016-07-31 cs.CV
Novel variational model for inpainting in the wavelet domain
National University of Defense Technology（国防科技大学）
小波域修复是指在图像压缩或传输阶段恢复丢失系数的过程。近年来，针对小波图像修复的经典变分模型，提出了一种有效的算法框架--Bregmanized算子分裂（BOS）。但由于内部迭代的原因，在一定程度上仍然是耗时的。本文从图像分解的角度出发，建立了一种新的变分模型来描述该重建问题。然后采用基于分裂Bregman法的迭代算法求解最优解，并证明了算法的收敛性。与BOS算法相比，该算法避免了内部迭代，因而更加简单。数值实验表明，所提出的方法是非常有效的，优于目前的最先进的方法，特别是在计算时间。
2013-05-14 cs.CV
An Adaptive Statistical Non-uniform Quantizer for Detail Wavelet Components in Lossy JPEG2000 Image Compression
Cornell University（康奈尔大学）；Indian Institute of Information Technology, Allahabad（阿拉哈巴德印度信息技术学院）；Indian Institute of Science Education and Research - Kolkata（加尔各答印度科学教育与研究学院）
提出了一种针对JPEG2000标准中细节分量的非均匀量化方法。假设位于每个细节分量的直方图的端部的系数表示图像的结构信息，量化步长在它们接近直方图的端部时变得更小。可变量化步长由小波系数的实际统计量确定。平均值和标准差是迭代使用的两个统计参数，用于获得可变步长。此外，位于步长内的系数的平均值被选择为量化值，与死区均匀量化器相反，死区均匀量化器选择量化步长的中点作为量化值。采用均方误差（MSE）和平均结构相似性指数（MSSIM）对死区均匀量化器和非均匀量化器的量化误差和重建图像质量进行了客观的比较。重建图像的主观分析也进行了。通过客观和主观的评估，它表明，非均匀量化器的表现优于死区均匀量化器的重建图像的感知质量，特别是在低比特率。更重要的是，不像死区均匀量化器，非均匀量化器实现更好的视觉质量与几个量化值。
2014-08-14 cs.CV cs.MM
On Disentangled Training for Nonlinear Transform in Learned Image Compression
Shanghai Jiao Tong University（上海交通大学）；Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
针对学习型图像压缩训练收敛慢的问题，论文揭示能量压缩的两部分构成，并提出AuxT及WLSs以解耦非线性变换训练。
2025-02-15 cs.CV eess.IV
A fractal dimension based optimal wavelet packet analysis technique for classification of meningioma brain tumours
University of Sussex（苏塞克斯大学）
由于组织纹理的异质性，使用单一分辨率方法进行最佳分类可能是不够的。相比之下，多分辨率小波包分析可以将输入信号分解成一组频率子带，从而有机会在适当的频率通道上对纹理进行重构。提出了一种基于分形维数（FD）的脑膜瘤组织病理学图像基片选择的自适应最佳基片算法。因此，更好地识别纹理不连续性的最重要的子带将仅被选择用于进一步分解，并且其分形签名将表示用于分类的所提取的特征向量。使用FD的最佳基选择优于基于能量的选择方法，总体分类准确率为91.25%，而同现矩阵和能量纹理特征分别为83.44%和73.75%。
2016-01-02 cs.CV
Wavelet-Packets for Deepfake Image Analysis and Detection
Universität Bonn（波恩大学）；Fraunhofer SCAI（弗劳恩霍夫算法与科学计算研究所）；University of Bonn（波恩大学）；Fraunhofer Center for Machine Learning（弗劳恩霍夫机器学习中心）；Fraunhofer ITWM（弗劳恩霍夫工业数学研究所）；Institute for Numerical Simulation（数值模拟研究所）
随着神经网络能够生成逼真的人工图像，它们有潜力改进电影、音乐、视频游戏，并使互联网成为一个更具创造力和鼓舞人心的地方。然而，最新的技术可能使新的数字方式撒谎。作为回应，需要一个多样化和可靠的方法工具箱来识别人工图像和其他内容。以前的工作主要依赖于像素空间CNN或傅立叶变换。据我们所知，合成虚假图像分析和检测方法的基础上，多尺度小波表示，本地化的空间和频率，迄今为止还没有。小波变换在一定程度上保留了空间信息，这使我们能够提出一种新的分析。比较真实图像和假图像的小波系数可以进行解释。确定了重大差异。此外，本文还提出了一种基于自然图像和GAN生成图像的小波包表示的合成图像检测模型。我们的轻量级法医分类器在相对较小的网络规模下表现出竞争力或改进的性能，正如我们在FFHQ，CelebA和LSUN源识别问题上所展示的那样。此外，我们还研究了二进制FaceForensics++伪造检测问题。
2022-09-01 cs.CV
Medical Image Compression using Wavelet Decomposition for Prediction Method
Bannari Amman Institute of Technology（班纳里阿曼理工学院）
本文提出了一种简单的医学图像无损压缩方法。该方法是基于医学图像的小波分解，其次是系数的相关性分析。相关性分析是建立各子带预测方程的基础。预测变量的选择采用系数图解法，避免了多重共线性问题，提高了预测精度和压缩比。该方法适用于MRI和CT图像。实验结果表明，该方法对MRI和CT图像具有较高的压缩率。
2010-02-11 cs.CV
Wavelet-based Scale Saliency
The University of Nottingham（诺丁汉大学）；Edith Cowan University（埃迪斯科文大学）；Sunway University（双威大学）
基于像素的尺度显着性（PSS）和基础项目方法都侧重于数据内容和结构的多尺度分析。它们的理论关系和实际组合已在前面讨论过。然而，从那时起，没有模型被提出来计算尺度显着性的基础上预测的描述符。本文将这些思想扩展到数学模型中，并在基于小波的尺度显著性（WSS）中实现。而PSS使用像素值描述符，WSS处理小波子带作为基础描述符。本文讨论了不同的小波描述子：离散小波变换（DWT）、小波包变换（DWPT）、四元数小波变换（QWT）和最佳基四元数小波包变换（QWPTBB）。WSS显着性图的不同描述符生成和比较与其他显着性方法的定量和定性的方法。定量结果、ROC曲线、AUC值和NSS值是从Bruce和Kootstra图像数据库上的模拟收集的，人眼跟踪数据作为地面实况。此外，显着图的定性视觉结果进行了分析和比较，以及对彼此的眼动跟踪数据包括在数据库中。
2013-01-14 cs.CV
Camera-Aware Multi-Resolution Analysis (CAMRA) for Raw Sensor Data Compression
University of California, San Diego（加州大学圣地亚哥分校）；University of Dayton（代顿大学）
基于彩色滤光片阵列（CFA）采样图像的小波变换，提出了一种新的无损和有损压缩方案。我们的分析表明，HL和LH子带的小波系数高度相关。因此，我们去相关Mallat小波包分解，以进一步稀疏的系数。此外，我们开发了一个相机处理流水线，用于压缩CFA采样图像，旨在最大限度地提高从压缩CFA采样图像构建的彩色图像的质量。我们验证了我们的理论分析和所提出的压缩方案的性能，使用原始格式捕获的自然场景的图像。实验结果表明，该方法相对于标准和现有的CFA采样图像压缩方案，提高了编码效率。
2017-09-25 cs.CV
DPW-SDNet: Dual Pixel-Wavelet Domain Deep CNNs for Soft Decoding of JPEG-Compressed Images
Sichuan University（四川大学）；UC San Diego（加利福尼亚大学圣地亚哥分校）
JPEG是广泛使用的有损压缩方法之一。JPEG压缩的图像通常遭受压缩伪像，包括块和模糊，特别是在低比特率。软解码是在不改变编解码器或引入额外编码比特的情况下提高压缩图像质量的有效解决方案。受深度卷积神经网络（CNN）在低层和高层计算机视觉问题上的优异性能的启发，我们开发了一种基于双像素-小波域深度CNN的JPEG压缩图像软解码网络，即DPW-SDNet。像素域深度网络采用压缩图像的四个下采样版本来形成4通道输入并输出像素域预测，而小波域深度网络使用1级离散小波变换（DWT）系数来形成4通道输入以产生DWT域预测。像素域和小波域估计被组合以生成最终的软解码结果。实验结果表明，所提出的DPW-SDNet优于几个国家的最先进的压缩伪影减少算法。
2018-05-27 cs.CV
Rule of Three for Superresolution of Still Images with Applications to Compression and Denoising
DLQS LLC（DLQS有限责任公司）
我们描述了一种新的方法，用于超分辨率的静止图像（在小波域）的基础上重建丢失的细节子带像素在给定的第i级通过规则（Ro3）之间的近似子带的像素的这种水平，和像素的近似和细节子带的（i+1）级。直方图的配置文件表明，Ro3是适当的机制，以恢复丢失的细节子带像素在这些情况下。此外，通过消除细节子带像素（在最终的压缩方案中），我们获得了更大的压缩率。实验结果表明，我们的方法相比，更典型的方法在小波域的去噪和压缩。我们的方法不压缩，但有利于真正的压缩机的行动，在我们的情况下，联合图像专家组（JPEG）和JPEg2000，即Ro3作为催化剂压缩
2014-05-04 cs.CV
Haar Wavelet Feature Compression for Quantized Graph Convolutional Networks
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
图卷积网络（GCN）广泛用于各种应用中，并且可以被视为标准卷积神经网络（CNN）的非结构化版本。与CNN一样，GCN用于大型输入图（例如大型点云或网格）的计算成本可能很高，并且抑制了这些网络的使用，特别是在计算资源较低的环境中。为了降低这些成本，可以对GCN进行量化。然而，特征图的积极量化可能导致性能的显著下降。另一方面，Haar小波变换被认为是压缩信号的最有效和最高效的方法之一。因此，我们建议利用Haar小波压缩和轻量化来减少网络所涉及的计算和带宽，而不是对特征图应用积极的量化。我们证明，对于从节点分类到点云分类以及部分和语义分割等各种问题，这种方法明显优于激进的特征量化。
2021-10-10 cs.CV cs.LG eess.IV
WaveNets: Wavelet Channel Attention Networks
University of Arkansas（阿肯色大学）；University of Cincinnati（辛辛那提大学）
针对SENet通道注意力因全局平均池化导致特征信息损失的问题，提出基于小波变换压缩的WaveNet通道注意力机制，在ImageNet图像分类任务上优于SENet并达到SOTA，代码已开源。
2024-03-12 cs.AI cs.CV
Fréchet Wavelet Distance: A Domain-Agnostic Metric for Image Generation
University of Bonn（波恩大学）；University of Tuebingen（蒂宾根大学）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）
提出基于小波包变换的领域无关图像生成度量FWD，无需预训练网络即可保留空间和纹理特征，逐包计算Fréchet距离提升可解释性，并在多数据集和生成器上展现出更强的鲁棒性和泛化能力。
2025-03-02 cs.CV cs.LG eess.IV
Polyharmonic Daubechies type wavelets in Image Processing and Astronomy, II
本文研究多调和细分小波（Daubechies型）在图像处理，特别是天文图像中的应用，结果表明其相对于某些标准多变量小波具有显著优势并展现出更好的压缩潜力。
2010-06-29 cs.CV cs.NA math.NA
Packet-Loss Robust 3D Gaussian Compression via Atomic Packaging and GNN-based Error Concealment
Central South University Changsha China；Malanshan Audio \& Video Laboratory Changsha China；Central South University；Malanshan Audio \& Video Laboratory
研究3D高斯压缩在网络流传输中丢包问题，提出通过原子封装、分层随机分组及基于GNN的错误隐藏框架，改进丢包时的渲染效果，相比无隐藏传输有显著提升，平均PSNR退化限制在约3dB。
2026-07-21 cs.CV cs.GR cs.MM
Wavelet Knowledge Distillation: Towards Efficient Image-to-Image Translation
Intel Corporation（英特尔公司）；Kuaishou Technology（快手科技）
生成对抗网络（GANs）在图像到图像翻译方面取得了显着成就。然而，由于大量的参数，最先进的GANs通常遭受低效率和庞大的内存使用。为了应对这一挑战，本文首先从频率的角度研究了GANs的性能。结果表明，GANs，特别是小型GANs缺乏生成高质量高频信息的能力。为了解决这个问题，我们提出了一种新的知识蒸馏方法称为小波知识蒸馏。小波知识蒸馏不是直接提取教师生成的图像，而是先用离散小波变换将图像分解成不同的频带，然后只提取高频带。因此，学生GAN可以更加关注其在高频带上的学习。实验表明，我们的方法导致7.08倍的压缩和6.80倍的加速CycleGAN几乎没有性能下降。此外，我们还研究了鉴别器和生成器之间的关系，结果表明鉴别器的压缩可以提高压缩生成器的性能。
2022-03-12 cs.AI cs.CV
Wavelet-Like Transform-Based Technology in Response to the Call for Proposals on Neural Network-Based Image Coding
University of Science and Technology of China（中国科学技术大学）
为响应IEEE 1857.11基于神经网络的图像编码标准提案征集，本文提出融合多项新特性的端到端框架iWaveV3，其压缩效率达最优，被选为标准制定候选方案。
2024-03-09 cs.CV eess.IV
A Non-Blind Watermarking Scheme for Gray Scale Images in Discrete Wavelet Transform Domain using Two Subbands
Chittagong University of Engineering and Technology（吉大港工程与技术大学）；University of Malaya（马来亚大学）；American International University-Bangladesh（美国国际大学-孟加拉）
数字水印是将数字模式直接隐藏到数字内容中的过程。数字水印技术用于数字版权管理、信息保护和秘密隐藏。提出了一种基于灰度图像的不可见非盲水印算法。利用离散小波变换将宿主图像分解为3级。基于小波系数之间的父子关系，对LH3、LH2、HL3和HL2子带进行分层树集合分割（SPIHT）压缩算法，以找出重要系数。选择LH2和HL2频带的最高有效系数嵌入二值水印图像。选择的重要系数使用噪声可见性函数进行调制，该函数被认为是确保更好的不可感知性的最佳强度。针对各种图像处理攻击，如添加噪声，滤波，裁剪，JPEG压缩，直方图均衡化和对比度调整的方法进行了测试。实验结果表明该方法具有较高的有效性。
2012-11-12 cs.CV cs.MM
Improvement of Color Image Analysis Using a New Hybrid Face Recognition Algorithm based on Discrete Wavelets and Chebyshev Polynomials
Aliraqia University（伊拉克大学）；University of Technology（科技大学）；Kyiv National University of Construction and Architecture（基辅国立建筑与建筑工程大学）；Al-Farahidi University（法拉希迪大学）
这项工作是独特的，在使用离散小波，从第二和第三类Chebyshev多项式建立或派生，过滤离散第二Chebyshev小波变换（DSCWT），并获得两个有效的过滤器。滤波器离散第三切比雪夫小波变换（FDTCWT）用于分析彩色图像并去除伴随图像的噪声和杂质的过程中，以及因为在拍摄图像时构成图像的大量数据。这些数据量很大，在传输过程中很难相互处理。然而，为了解决这个问题，使用了图像压缩技术，由于获得的读数，图像不会丢失信息，结果令人满意。均方误差（MSE）、峰值信噪比（PSNR）、每像素比特数（BPP）和压缩比（CR）冠状病毒是最初的治疗方法，而处理阶段是通过具有离散第二Chebeshev小波卷积神经网络（DSCW CNN）和离散第三Chebeshev小波卷积神经网络（DTCW CNN）的卷积神经网络（CNN）的网络训练来完成的。创建一个高效的人脸识别算法，并在最短的时间内实现了最佳的准确性。使用了制作或实现的两个彩色图像样本。所提出的理论获得了快速和良好的结果;结果在下表中示出。
2023-03-23 cs.CV eess.IV
Full-reference Point Cloud Quality Assessment Using Spectral Graph Wavelets
University of Southern California（南加州大学）；KDDI Research, Inc.（KDDI研究所）
针对点云处理中的质量退化问题，提出利用谱图小波比较坐标与颜色系数，并结合传统指标经支持向量回归融合的全参考PCQA方法，提升了与主观评分的相关性。
2024-06-14 cs.CV cs.MM eess.SP
Holistic Processing of Colour Images Using Novel Quaternion-Valued Wavelets on the Plane
University of Helsinki（赫尔辛基大学）；University of Newcastle（纽卡斯尔大学）
本文提出基于新型平面四元数值小波的彩色图像分解与重建方法，并验证其在压缩、增强、分割和去噪任务中的有效性，为端到端四元数图像处理提供了有前景的工具。
2024-01-11 cs.CV cs.NA math.NA
DC-WCNN: A deep cascade of wavelet based convolutional neural networks for MR Image Reconstruction
Indian Institute of Technology Madras (IITM)（印度理工学院马德拉斯分校）；Healthcare Technology Innovation Centre (HTIC), IITM（印度理工学院马德拉斯分校医疗技术创新中心）
卷积神经网络（CNN）的几种变体已经被开发用于磁共振（MR）图像重建。其中，U-Net已被证明是MR图像重建的基线架构。然而，子采样是由其池化层执行的，导致信息丢失，这反过来又导致重建图像中的模糊和丢失细节。我们提出了一个修改的U-Net架构，以恢复精细结构。所提出的网络是一个基于小波包变换的编码器-解码器CNN与残差学习称为CNN。提出的WCNN具有离散小波变换而不是池化，以及逆小波变换而不是解池化层和残差连接。我们还提出了一个深度级联框架（DC-WCNN），它由WCNN和k空间数据保真度单元的级联组成，以实现高质量的MR重建。实验结果表明，与其他方法相比，WCNN和DC-WCNN在评价指标和更好的细节恢复方面给出了令人满意的结果。
2020-01-08 cs.CV eess.IV
Efficient JPEG Restoration in the Wavelet Domain via Mean Flows
Faculty of Physics, "Alexandru Ioan Cuza" University of Iaşi（雅西亚历山德鲁·约安·库扎大学物理学院）
本文提出含65M参数的生成式JPEG恢复器，以两级Haar变换和秩增强线性注意力DiT为核心，在保障低LPIPS的同时实现高吞吐量，适用于设备端部署。
2026-09-01 cs.CV eess.IV
