WIFE-Fusion:Wavelet-aware Intra-inter Frequency Enhancement for Multi-model Image Fusion
National Natural Science Foundation of China（中华人民共和国国家自然科学基金委员会）
本文提出 WIFE-Fusion 多模态图像融合框架，通过频域内自注意力和频间交互增强频域特征提取与聚合，在多个任务和数据集上优于现有专门及统一融合方法。
2025-06-04 cs.CV
Multimodal-Boost: Multimodal Medical Image Super-Resolution using Multi-Attention Network with Wavelet Transform
Chinese Academy of Sciences（中国科学院）；University of Chinese Academy of Sciences（中国科学院大学）；Walton Institute for Information and Communication Systems Science（沃尔顿信息与通信系统科学研究所）；Waterford Institute of Technology（沃特福德理工学院）；University of Johannesburg（约翰内斯堡大学）；University of Sindh（信德大学）；Sungkyunkwan University（成均馆大学）
基于深度学习的单图像超分辨率（SISR）算法通过不断改进与低分辨率图像上的卷积神经网络（CNN）相关的架构组件和训练策略，彻底改变了整体诊断框架。然而，现有的工作缺乏在两个方面：i）产生的SR输出表现出较差的纹理细节，并经常产生模糊的边缘，ii）大多数模型已经开发了一个单一的模态，因此，需要修改，以适应一个新的。这项工作通过提出具有深度多注意模块的生成对抗网络（GAN）来解决（i）从低频数据中学习高频信息。现有的方法的基础上的GAN已经取得了良好的SR结果，然而，他们的SR输出的纹理细节已被实验证实是缺乏医学图像，特别是。在我们提出的SR模型中，小波变换（WT）和GANs的集成解决了上述关于纹理基元的限制。WT将LR图像划分为多频段，而转换的GAN使用多注意和上采样块来预测高频分量。此外，我们提出了一种学习方法，用于训练特定领域的分类器作为感知损失函数。使用多注意力GAN损失和感知损失函数的组合导致高效且可靠的性能。将相同的模型应用于不同模态的医学图像是具有挑战性的，我们的工作解决了（ii）通过迁移学习在几种模态上进行训练和执行。使用两个医疗数据集，我们验证了我们提出的SR网络对现有的国家的最先进的方法，并取得了可喜的成果，在SSIM和PSNR。
2022-03-12 cs.CV eess.IV
A Semantic-based Medical Image Fusion Approach
Institute of Computing Technology Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Capital Medical University（首都医科大学）
临床医生有必要综合分析来自不同来源的患者信息。医学图像融合是一种很有前途的方法，可以从不同模态的医学图像中提供全面的信息。然而，现有的医学图像融合方法忽略了图像的语义，使得融合后的图像难以理解。在这项工作中，我们提出了一个新的评价指标来衡量融合图像的语义损失，并提出了一个融合W网络（FW-Net）的多模态医学图像融合。实验结果表明，该方法生成的融合图像大大减少了语义信息的丢失，与现有的五种方法相比具有更好的视觉效果。我们的方法和工具具有很大的潜力，可应用于临床环境。
2019-12-11 cs.CV eess.IV
A Wavelet-based Dual-stream Network for Underwater Image Enhancement
Queen Mary University of London（伦敦玛丽女王大学）
我们提出了一个基于小波的双流网络，解决水下图像的偏色和模糊的细节。我们通过使用离散小波变换将输入图像分解成多个频带来分别处理这些伪影，从而生成下采样的结构图像和细节图像。这些子带图像被用作我们的双流网络的输入，该双流网络包含两个子网络：多色空间融合网络和细节增强网络。多颜色空间融合网络将分解后的结构图像作为输入，并通过使用来自输入的不同颜色空间的特征表示来估计颜色校正后的输出。细节增强网络通过改善高频子带的图像细节来解决原始水下图像的模糊问题。我们在真实世界和合成水下数据集上验证了所提出的方法，并显示了我们的模型在颜色校正和模糊去除方面的有效性，具有低计算复杂性。
2022-04-27 cs.CV eess.IV
WaveFuse: A Unified Deep Framework for Image Fusion with Discrete Wavelet Transform
School of Basic Medical Science, Fudan University（复旦大学基础医学院）；Shanghai Key Laboratory of Medical Image Computing and Computer Assited Intervention（上海市医学图像计算与计算机辅助干预重点实验室）
提出了一种基于区域能量的多尺度离散小波变换和深度学习相结合的多应用场景无监督图像融合架构。据我们所知，这是第一次将传统的图像融合方法与深度学习相结合。该方法通过多尺度离散小波变换，充分利用了特征图的有用信息，与现有的融合方法相比，无论是主观评价还是客观评价，该方法都具有更好的融合性能。此外，值得一提的是，在COCO数据集中训练的融合性能可以通过使用更小的数据集（仅从COCO中随机选择数百张图像）进行训练来获得。因此，大大缩短了训练时间，从而提高了模型的实用性和训练效率。
2021-10-11 cs.CV cs.IT cs.LG
Multi-modal Medical Neurological Image Fusion using Wavelet Pooled Edge Preserving Autoencoder
Visvesvaraya National Institute of Technology Nagpur（维斯瓦瓦拉亚那格浦尔国家理工学院）；Universitat de Barcelona（巴塞罗那大学）；Computer Vision Center（计算机视觉中心）；All India Institute of Medical Sciences Nagpur（全印那格浦尔医学科学研究所）
针对CNN下采样导致边缘细节丢失的问题，提出基于小波分解注意力池化的边缘保留自编码器无监督多模态医学图像融合模型，有效保留诊断信息并取得更优视觉与定量结果。
2023-10-18 cs.CV cs.LG eess.IV
Image Fusion and Re-Modified SPIHT for Fused Image
本文提出了基于离散小波的融合技术，结合感知重要的图像特征。SPIHT（Set Partitioning in Hierarchical Trees）算法是一种有效的融合图像无损和有损编码方法。本文对SPIHT算法作了一些改进。该方法基于中高频子带间小波系数相关性不显著的思想。在RE-MSPIHT算法中，小波系数在SPIHT编码之前根据子带重要性进行缩放，目标是最小化MSE。
2012-02-29 cs.CV
Coupled Feature Learning for Multimodal Medical Image Fusion
Aalto University（阿尔托大学）；CentraleSupelec（巴黎中央理工-高等电力学院）
多模态图像融合的目的是将不同传感器获取的图像中的相关信息进行融合。在医学成像中，融合图像在标准诊断和自动诊断中起着至关重要的作用。提出了一种基于耦合字典学习的多模态图像融合方法。所提出的方法是通用的，可以用于不同的医学成像模式。与目前的许多医学融合方法不同，该方法不会受到强度衰减，也不会丢失关键信息。具体地说，要融合的图像被分解成耦合和独立的组件估计使用稀疏表示相同的支持和皮尔逊相关约束，分别。交替最小化算法的设计，以解决由此产生的优化问题。最后的融合步骤使用最大绝对值规则。实验进行使用各种对多模态输入，包括真正的MR-CT和MR-PET图像。所得到的性能和执行时间显示的竞争力，所提出的方法相比，国家的最先进的医学图像融合方法。
2021-02-17 cs.CV cs.LG eess.IV
Simultaneous Tri-Modal Medical Image Fusion and Super-Resolution using Conditional Diffusion Model
Foshan University（佛山大学）
本文提出TFS-Diff模型，基于条件扩散过程同时实现三模态医学图像融合与超分辨率，通过融合超分辨率损失和通道注意力模块优化信息整合，在Harvard数据集上显著超越现有方法。
2024-10-15 cs.CV eess.IV
A New Multimodal Medical Image Fusion based on Laplacian Autoencoder with Channel Attention
Visvesvaraya National Institute of Technology Nagpur（那格浦尔维斯瓦拉亚国家理工学院）；Universitat de Barcelona（巴塞罗那大学）；Computer Vision Center（计算机视觉中心）；All India Institute of Medical Sciences Nagpur（那格浦尔全印医学科学学院）
针对现有深度学习医学图像融合模型因下采样导致关键细节丢失的问题，提出基于拉普拉斯-高斯级联与注意力池化的新型融合模型，有效保留了互补信息和重要组织结构。
2023-10-18 cs.CV cs.LG eess.IV
TriFusion-SR: Joint Tri-Modal Medical Image Fusion and SR
TriFusion-SR通过联合三模态医学图像融合与超分辨率技术，利用小波引导的条件扩散框架实现频率感知的跨模态交互，提升图像质量和分辨率。
2026-03-10 cs.CV
Near-Infrared Depth-Independent Image Dehazing using Haar Wavelets
University of Central Florida（中佛罗里达大学）
我们提出了一种融合算法的烟雾去除，结合从RGB图像的颜色信息和边缘信息提取其相应的近红外图像使用Haar小波。该算法是基于关键的观察，近红外边缘特征更突出的模糊区域的图像比RGB边缘特征在这些相同的区域。在融合过程中，为了将颜色和边缘信息结合起来，我们引入了一个模糊权值映射，该映射将颜色和边缘信息按比例分配。由于NIR图像本质上几乎是无雾的，因此我们的工作不像现有的依赖于散射模型的工作那样进行假设，并且基本上设计了一种与深度无关的方法。这有助于最大限度地减少伪影，并为恢复的无雾图像提供更真实的感觉。大量的实验表明，该算法是定性和定量的几个关键指标相比，现有的最先进的方法。
2022-03-26 cs.CV
AutoFuse: Automatic Fusion Networks for Deformable Medical Image Registration
School of Computer Science, The University of Sydney（悉尼大学计算机科学学院）；Institute of Translational Medicine, Shanghai Jiao Tong University（上海交通大学转化医学研究院）；Royal Prince Alfred Hospital（皇家阿尔弗雷德王子医院）
针对可变形医学图像配准中融合策略依赖人工经验的问题，提出AutoFuse自动融合网络与FG模块，以数据驱动方式学习融合策略，并在八个公开数据集上验证其优于现有方法。
2025-01-08 cs.AI cs.CV eess.IV
Efficient DWT-based fusion techniques using genetic algorithm for optimal parameter estimation
SSN College of Engineering（SSN工程学院）；RMD Engineering College（RMD工程学院）
图像融合在医学成像中起着至关重要的作用。图像融合的目的是将来自多个模态的互补信息以及冗余信息整合到单个融合图像中，而不失真或丢失信息。在这项研究工作中，离散小波变换（DWT）和非抽取离散小波变换（UDWT）为基础的融合技术，使用遗传算法（GA）的融合过程中的最佳参数（权重）估计实现和分析与多模态脑图像。使用UDWT解决了使用DWT进行图像融合时缺少移位方差的问题。建议的融合模型使用一个有效的，修改后的遗传算法在小波变换和UDWT的最佳参数估计，以提高图像质量和对比度。通过限制搜索空间，基本GA（像素级）的复杂性在改进的GA（特征级）中得到了降低。从我们的实验中观察到，融合使用离散小波变换和UDWT技术与GA的最佳参数估计导致在保留信息和对比度方面没有错误，无论是在人类的感知，以及使用客观指标的评价，在一个更好的融合图像。本研究工作的贡献是：（1）降低了使用GA进行融合的权重值估计的时间和空间复杂度;（2）由于特征级GA的实现，系统对于任何大小的输入图像都是可扩展的，具有相似的时间复杂度;（3）从估计的权重值中识别对融合图像贡献更大的源图像。
2020-09-22 cs.AI cs.CV eess.IV
Edge-Enhanced Dilated Residual Attention Network for Multimodal Medical Image Fusion
University of Toronto（多伦多大学）；McGill University（麦吉尔大学）
提出一种基于CNN的边缘增强空洞残差注意力网络，结合梯度算子与无参数融合策略，在多模态医学图像融合中实现高效多尺度特征提取与边缘细节增强，显著提升融合质量与速度并验证了临床实用性。
2024-11-18 cs.AI cs.CV eess.IV
An investigation towards wavelet based optimization of automatic image registration techniques
MANIT-Bhopal（印度国家理工学院博帕尔分校）
图像配准是将不同的数据集转换到一个坐标系中的过程，并且需要用于各种遥感应用，如变化检测，图像融合和其他相关领域。增加的浮雕位移的影响，更多的控制点的要求，以及增加的数据量是与高分辨率图像数据的配准相关联的挑战。这项研究工作的目的是研究最有效的技术，并探讨提高它们与小波变换实现的改善程度。基于SIFT特征的方法使用特征值来基于尺度不变特征提取数千个关键点，并且当通过小波变换进一步增强时，这些特征点产生最佳结果。
2013-03-27 cs.CV
BSAFusion: A Bidirectional Stepwise Feature Alignment Network for Unaligned Medical Image Fusion
Kunming University of Science and Technology（昆明理工大学）；Ocean University of China（中国海洋大学）
针对未配准医学图像融合中特征对齐与融合需求不兼容的问题，提出BSAFusion方法，结合无模态差异特征表示与双向逐步对齐策略，实现单阶段配准融合，在多数据集上验证了有效性。
2024-12-13 cs.CV cs.LG eess.IV
Fusion of multispectral satellite imagery using a cluster of graphics processing unit
Taibah University（塔伊巴大学）；Donetsk National Technical University（顿涅茨克国立技术大学）
本文提出了一种并行实现现有的图像融合方法的图形集群。基于离散小波变换（Haars和Daubechies离散小波变换）的方法的并行实现。使用GPU和CPU的集群上进行了实验，并估计使用开发的并行实现来处理卫星Landsat 7的卫星图像的性能增益。在图形集群上的实现提供了2到18倍的性能提升。所考虑的方法的质量进行了评估ERGAS和QNR指标。结果显示，与作者和其他研究人员针对CPU和单个GPU获得的结果相比，GPU集群的性能增益和质量保持。
2018-03-02 cs.CV cs.DC
Multi-modal Medical Image Fusion For Non-Small Cell Lung Cancer Classification
Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
针对非小细胞肺癌早期检测与亚型分类难题，提出融合CT/PET影像、临床记录与基因组数据的多模态方法，借助MedClip、BEiT提取特征，准确率达94.04%，有望提升肺癌诊疗效果。
2024-09-27 cs.AI cs.CV eess.IV
D2-LRR: A Dual-Decomposed MDLatLRR Approach for Medical Image Fusion
School of Artificial Intelligence and Computer Science（人工智能与计算机科学学院）；Jiangnan University（江南大学）
本文提出双重分解MDLatLRR方法D2-LRR，通过充分利用LatLRR提取的基础与细节特征，结合平均策略和核范数运算，在医学图像融合中取得领先性能。
2024-07-07 cs.CV cs.LG eess.IV
Fuse4Seg: Image Fusion for Multi-Modal Medical Segmentation via Bi-level Optimization
Northwestern University（西北大学）；Northeastern University（东北大学）；South China University of Technology（华南理工大学）；Hong Kong Baptist University（香港 Baptist大学）；Beijing Normal - Hong Kong Baptist University（北京师范大学-香港 Baptist大学）
Fuse4Seg通过两级优化实现多模态医学图像融合，解决视觉与语义间的差距问题，提升分割任务的准确性和临床可解释性。
2026-03-05 cs.CV
Fourier-enhanced Implicit Neural Fusion Network for Multispectral and Hyperspectral Image Fusion
UESTC（电子科技大学）
本文提出傅里叶增强隐式神经融合网络（FeINFN），通过空间与频率隐式融合函数和复Gabor小波激活解码器，解决INR易丢失高频信息与缺乏全局感知能力的问题，在MHIF任务上实现了SOTA性能。
2024-04-23 cs.CV
WaRA: Wavelet Low-Rank Adaptation for Medical Image Classification
本文提出WaRA，通过小波域进行低秩适应，提升医学图像分类性能，同时保持高效。
2026-09-15 cs.CV eess.IV
An Attention-Guided and Wavelet-Constrained Generative Adversarial Network for Infrared and Visible Image Fusion
Central University of Finance and Economics（中央财经大学）
基于GAN的红外与可见光图像融合方法因其有效性和优越性而受到越来越多的关注。然而，现有的方法采用全局像素分布的源图像作为判别的基础，这不能集中的关键模态信息。此外，基于双阈值的方法遭受鉴别器之间的对抗。为此，我们提出了一个注意力引导和小波约束的GAN红外和可见光图像融合（AWF GAN）。在该方法中，两个独特的判别策略的设计，以提高融合性能。具体地说，我们将空间注意力模块（SAM）引入到生成器中，以获得空间注意力图，然后利用注意力图强制红外图像的识别集中在目标区域。此外，我们将可见光信息的判别范围扩展到小波子空间，使生成器能够恢复可见光图像的高频细节。消融实验表明，我们的方法在消除歧视者之间的对抗的有效性。在公共数据集上的比较实验证明了该方法的有效性和优越性。
2022-10-24 cs.CV eess.IV
Fusion of Wavelet Coefficients from Visual and Thermal Face Images for Human Face Recognition - A Comparative Study
Tripura University（特里普拉大学）；Jadavpur University（贾达沃普尔大学）
在本文中，我们提出了一个比较研究的融合视觉和热图像使用不同的小波变换。在这里，从视觉和热图像的离散小波变换的系数分别计算和组合。然后对融合后的人脸图像进行离散小波逆变换，得到融合后的人脸图像。Haar和Daubechies（db2）小波变换已被用来比较识别结果。对于实验，使用IRIS热/视觉人脸数据库。使用Haar和Daubechies小波的实验结果表明，这里提出的方法的性能在许多情况下达到100%的最大成功率。
2010-07-05 cs.CV
WDM: 3D Wavelet Diffusion Models for High-Resolution Medical Image Synthesis
University of Basel（巴塞尔大学）
提出基于小波的3D扩散模型WDM，通过在小波分解图像上应用扩散过程，实现高分辨率医学图像合成，在单GPU上训练并在BraTS和LIDC-IDRI数据集上达到SOTA性能。
2024-07-19 cs.CV eess.IV
QWD-GAN: Quality-aware Wavelet-driven GAN for Unsupervised Medical Microscopy Images Denoising
Department of Electrical and Electronic Engineering（电气与电子工程系）
提出一种基于GAN的无监督去噪方法，通过小波变换的多尺度自适应生成器和双分支判别器，在保持高频信息的同时实现显微镜图像去噪。
2025-09-19 cs.CV eess.IV
Wavelet Channel Attention Module with a Fusion Network for Single Image Deraining
ASUS Intelligent Cloud Services（华硕智能云服务）；Georgia Institute of Technology（佐治亚理工学院）；National Taiwan University（台湾大学）
单帧图像去噪是一个关键问题，因为下雨会严重降低图像的可见度，影响室外监控系统和智能车辆等计算机视觉任务的性能。在本文中，我们提出了新的卷积神经网络（CNN）称为小波通道注意模块与融合网络。小波变换和逆小波变换代替了下采样和上采样，因此来自小波变换和卷积的特征图包含不同的频率和尺度。此外，特征图集成通道注意。我们提出的网络学习的四个子带图像的原始图像的小波变换的置信度图。最后，通过小波重构和低频部分与高频部分的融合，可以很好地恢复清晰的图像。对合成图像和真实图像的实验结果表明，该算法优于现有的方法。
2020-07-17 cs.CV cs.LG cs.NE
Fusion of Daubechies Wavelet Coefficients for Human Face Recognition
Tripura University（特里普拉大学）；Jadavpur University（贾达普大学）
本文提出了在小波变换域中对可见光图像和热图像进行融合的方法。这里，将Daubechies小波变换（称为D2）、来自视觉的系数和以相同方式从热图像中计算的相应系数组合起来以获得融合系数。在分解到第五级（Level 5）之后，完成系数的融合。这些系数的逆Daubechies小波变换给我们融合的人脸图像。使用小波变换的主要优点是，它非常适合于管理不同的图像分辨率，并允许在不同类型的系数中分解图像，同时保留图像信息。融合的图像，从而找到通过主成分分析（PCA）的维度减少，然后这些减少融合图像分类使用多层感知器。对于实验，使用IRIS热/视觉人脸数据库。实验结果表明，这里提出的方法的性能在许多情况下达到100%的最大成功率。
2010-07-05 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
A Fusion Framework for Camouflaged Moving Foreground Detection in the Wavelet Domain
University of Wollongong（伍伦贡大学）；Microsoft Research（微软研究院）；Nanjing Forestry University（南京林业大学）
由于前景对象和背景之间的相似性，已知检测隐藏的运动前景对象是困难的。传统的方法不能区分前景和背景，由于它们之间的差异很小，从而遭受不足检测的前景物体。在本文中，我们提出了一个融合框架，以解决这个问题，在小波域。我们首先表明，在图像域中的小差异可以突出在某些小波频带。然后，通过为每个小波带制定前景和背景模型来估计每个小波系数是前景的可能性。该框架根据小波变换的特点，有效地聚合了不同小波带的似然度。实验结果表明，该方法在检测遮挡前景目标方面明显优于现有方法。具体而言，所提出的算法的平均F-测量值为0.87，而其他最先进的方法为0.71至0.8。
2018-04-16 cs.CV
GIMP and Wavelets for Medical Image Processing: Enhancing Images of the Fundus of the Eye
Politecnico di Torino（都灵理工大学）
视网膜及其血管特性的视觉分析在视知觉疾病的诊断和监测中具有重要意义。在相关的医学诊断中，眼底图像的数字处理被用来获得视网膜血管的分割。然而，图像分割通常需要基于特殊或复杂算法的方法：在本文中，我们将展示一些替代方法，通过应用免费提供的工具来增强，而无需特定的分割，眼底的图像。我们将特别看到，结合使用GIMP，GNU图像处理程序，与Iris的小波滤波器，一个众所周知的处理天文图像的程序，结果是给出的图像可以替代从分割获得的图像。
2014-08-20 cs.CV
cWDM: Conditional Wavelet Diffusion Models for Cross-Modality 3D Medical Image Synthesis
University of Basel（巴塞尔大学）
针对脑肿瘤分割中多模态MR图像缺失问题，提出条件小波扩散模型cWDM，以三幅可用模态图像为条件合成缺失模态图像，支持下游分割，可直接处理全分辨率体数据，避免伪影，还可扩展至其他跨模态转换任务。
2024-11-26 cs.CV eess.IV
Community Detection in Medical Image Datasets: Using Wavelets and Spectral Methods
Yale Center for Medical Informatics（耶鲁医学信息学中心）；VA CT Healthcare System（美国退伍军人事务部康涅狄格医疗系统）
医学图像数据集可以具有代表具有不同健康状况和各种疾病严重程度的患者的大量图像。在处理原始未标记图像数据集时，大量的样本通常使专家和非专家难以理解数据集中存在的各种图像。监督学习方法依赖于标记的图像，这需要医学专家付出相当大的努力，首先了解数据中存在的图像社区，然后标记图像。在这里，我们提出了一种算法，以促进自动识别的社区在医学图像数据集。我们进一步证明，这样的分析可以在监督设置时，图像已经标记有见地。这种见解是有用的，因为健康和疾病的严重程度可以被认为是一个连续的谱，在每个类别中，通常有更好的社区值得调查，特别是当它们与其他类别的社区有相似之处时。在我们的方法中，我们使用小波分解的图像与光谱方法。我们表明，图拉普拉斯算子的特征值可以揭示图像数据集中显着社区的数量。此外，分析相似性可用于推断表示疾病严重程度的谱。在我们的实验中，我们使用了一个标记有COVID患者不同条件的图像数据集。我们在数据集中检测了25个社区，然后观察到其中只有6个社区包含肺炎患者。我们还调查了结直肠癌组织学数据集的内容。
2022-04-26 cs.CV cs.LG eess.IV
Generalizing Medical Image Representations via Quaternion Wavelet Networks
Department of Information Engineering, Electronics and Telecommunications (DIET), Sapienza University of Rome（信息工程、电子与电信系（DIET），罗马萨皮恩扎大学）
针对医学图像数据差异大导致的模型泛化难题，提出四元数小波网络QUAVE，通过四元数小波变换提取并加权多子带特征，适配多种任务与模型，提升性能且对域偏移鲁棒。
2025-05-21 cs.CV cs.LG eess.IV
Quotient Based Multiresolution Image Fusion of Thermal and Visual Images Using Daubechies Wavelet Transform for Human Face Recognition
Tripura University（特里普拉大学）；Jadavpur University（贾达沃普尔大学）
本文研究了基于多分辨率水平商和水平商的热图像和可见光图像融合。在所提出的系统中，方法-1即“分解然后商数-1级”和方法-2即“分解-重构然后商数-2级”都工作于视觉和热人脸图像的小波变换。小波变换是非常适合管理不同的图像分辨率，并允许在不同类型的系数的图像分解，同时保持图像信息没有任何损失。这种方法是基于一个定义的照明不变的签名图像，使一个分析生成的图像空间与不同的照明。商融合图像通过主成分分析（PCA）的降维，然后使用多层感知器（MLP）对这些图像进行分类。这两种方法的性能进行了评估，使用OTCBVS和IRIS数据库。对不同的类分别进行了测试，其中最高识别率为100%。
2010-07-05 cs.CV
A Wavelet Guided Attention Module for Skin Cancer Classification with Gradient-based Feature Fusion
Jadavpur University（jadavpur大学）；International Institute of Information Technology（国际信息技术学院）；China University of Mining and Technology（中国矿业大学）；Saint Petersburg Electrotechnical University "LETI"（圣彼得堡电工技术大学“LETI”）
针对皮肤癌高效诊断需求，提出融合小波引导注意力与梯度特征融合的新型模型，在HAM10000数据集上实现91.17%的F1分数与90.75%的准确率，且已开源代码。
2024-06-21 cs.AI cs.CV eess.IV
WaveMamba: Wavelet-Driven Mamba Fusion for RGB-Infrared Object Detection
Beihang University（北京航空航天大学）；Communication University of China（中国传媒大学）；Beijing Jiaotong University（北京交通大学）；East China Normal University（华东师范大学）
提出 WaveMamba，利用 DWT/IDWT 与 Mamba 驱动的高低频子带融合增强 RGB-红外目标检测，在四个基准上平均 mAP 提升 4.5%。
2025-07-24 cs.CV cs.MM
WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration
School of Computer Science, University of Birmingham（伯明翰大学计算机学院）；Department of Computing and Mathematics, Manchester Metropolitan University（曼彻斯特城市大学计算与数学系）；National Engineering Laboratory for Big Data System Computing Technology, Shenzhen University（深圳大学大数据系统计算技术国家工程实验室）
WiNet利用小波变换增量估计位移场系数，通过逆离散小波变换重建全分辨率形变场，避免了级联网络的复杂性，实现了可解释且GPU高效的医学图像配准。
2024-07-18 cs.CV
WT-BCP: Wavelet Transform based Bidirectional Copy-Paste for Semi-Supervised Medical Image Segmentation
Nanjing University（南京大学）；Jiangsu Provincial Hospital of Traditional Chinese Medicine（江苏省中医药研究院）
针对半监督医学图像分割中分布不匹配、扰动偏差及高低频信息利用不足问题，提出基于小波变换的双向复制粘贴框架WT-BCP，通过多输入多输出模型XNet-Plus及一致性训练提升分割性能。
2025-04-20 cs.CV
SFFNet: A Wavelet-Based Spatial and Frequency Domain Fusion Network for Remote Sensing Segmentation
School of Computer Science and Technology, Shandong Technology and Business University（山东工商学院计算机科学与技术学院）
本文提出SFFNet遥感分割框架，通过两阶段网络结合空间特征与Haar小波频域特征，并设计WTFD和MDAF结构实现特征融合与对齐，在mIoU上分别达到84.80%和87.73%。
2024-05-03 cs.CV
WDFFU-Mamba: A Wavelet-guided Dual-attention Feature Fusion Mamba for Breast Tumor Segmentation in Ultrasound Images
School of Electronic and Information Engineering, Beijing Jiaotong University（电子信息工程学院，北京交通大学）
WDFFU-Mamba通过小波引导和双注意力融合提升乳腺超声肿瘤分割的准确性和鲁棒性。
2025-12-19 cs.AI cs.CV
Deep evidential fusion with uncertainty quantification and contextual discounting for multimodal medical image segmentation
Université de technologie de Compiègne（贡比涅技术大学）；CNRS（法国国家科学研究中心）；Université de Rouen Normandie（鲁昂诺曼底大学）；Centre Henri Becquerel（亨利·贝克勒尔中心）；Institut universitaire de France（法国大学研究院）
针对单模态医学图像信息不足的问题，提出结合深度学习与Dempster-Shafer证据理论、带上下文折扣的多模态分割融合框架，经两类医学数据集验证，其准确率与可靠性优于现有最优方法。
2024-08-19 cs.CV eess.IV
Quality Assessment of Pixel-Level ImageFusion Using Fuzzy Logic
VNRVJIET（瓦利瓦纳蒂·纳加尔朱纳·拉奥·维贾雅·贾瓦哈尔·工程技术学院）；GNITS（吉特工程学院）；JNTU College of Engineering（贾瓦哈拉尔·尼赫鲁科技大学工程学院）
图像融合是为了减少输出中的不确定性和最小化冗余，同时最大化来自场景的两个或多个图像的相关信息到单个合成图像中，所述单个合成图像具有更多信息，并且更适合于视觉感知或处理任务，如医学成像、遥感、隐蔽武器检测、天气预报、图像融合将配准的图像组合以产生具有空间和光谱信息的高质量融合图像。融合后的图像具有更多的信息，将提高图像分析算法在不同应用中的性能。本文提出了一种基于模糊逻辑的多传感器图像融合方法，并与小波变换图像融合和基于加权平均离散小波变换的遗传算法图像融合进行了比较（这里以后缩写为GA）以及质量评估参数图像质量指数（IQI）、互信息测量（MIM）、均方根误差（RMSE），峰值信噪比（PSNR）、融合因子（FF）、融合对称性（FS）、融合指数（FI）和熵。结果表明，与已有的基于小波变换的图像融合方法和基于加权平均离散小波变换的遗传算法图像融合方法相比，基于模糊的图像融合方法提高了融合图像的质量。
2013-11-05 cs.CV
WaveFormer: A 3D Transformer with Wavelet-Driven Feature Representation for Efficient Medical Image Segmentation
University of Florida（佛罗里达大学）；University of Central Florida（中佛罗里达大学）；University of California Santa Cruz（加州大学圣克鲁兹分校）；Microsoft Healthcare AI（微软医疗人工智能）；AdventHealth（AdventHealth（ AdventHealth为美国大型非营利医疗保健系统，保留原名称））
针对3D Transformer内存开销大且局部特征捕获不足的问题，提出基于小波变换的3D架构WaveFormer，在保留全局与高频细节的同时大幅降低参数量，在多个医学分割基准上取得与SOTA相当的性能。
2025-04-01 cs.AI cs.CV
A New Class Biorthogonal Spline Wavelet for Image Edge Detection
本文构造新型双正交三次特殊样条小波 BCSSW，并提出结构不确定性感知与多结构算子融合的 EDBSW 边缘检测算法，提升抗噪性与多频率边缘细节捕捉能力。
2024-06-12 cs.CV
Fast multi-scale edge-detection in medical ultrasound signals
Norwegian University of Science of Technology（挪威科技大学）
在这篇文章中，我们提出了一种快速的多尺度边缘检测方案的医疗超声信号。边缘检测器基于连续小波变换的众所周知的性质。为了实现良好的本地化的边缘和检测只有重要的边缘，我们研究了小波变换的最大线。通过在几个中间尺度上计算小波变换，可以得到两个尺度之间的最大值线。为了减少计算工作量和时间，我们建议一个时间尺度滤波过程，它只使用几个尺度连接跨时间尺度平面的模极大值。该过程的设计是基于对医学超声信号的典型边缘对应的最大线的研究。这项研究使我们能够构建一个算法的医疗超声信号，满足要求的速度，但不牺牲可靠性。边缘检测算法已被应用到一个大类的医学超声信号，包括肿瘤，肝脏和动脉图像。我们的研究结果表明，该算法有效地检测此类信号中的主要特征，包括低对比度的边缘。
2011-07-26 cs.CV physics.med-ph
CMUNeXt: An Efficient Medical Image Segmentation Network based on Large Kernel and Skip Fusion
School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院）；The Affiliated Hospital of Qingdao University（青岛大学附属医院）
提出轻量级全卷积医学图像分割网络CMUNeXt，通过大卷积核、倒置瓶颈与Skip-Fusion模块高效提取全局信息并融合特征，在多数据集上以更低算力超越现有网络。
2023-08-03 cs.CV eess.IV
Multi-Aperture Fusion of Transformer-Convolutional Network (MFTC-Net) for 3D Medical Image Segmentation and Visualization
University of Nevada, Reno（内华达大学雷诺分校）
本研究提出MFTC-Net，通过3D融合块整合Swin Transformers与卷积块输出，结合图像块原始分辨率与金字塔表示，在Synapse数据集上以约4000万参数实现89.73的Dice得分，提升了3D医学图像分割性能。
2024-06-24 cs.CV eess.IV
TransFusion: Multi-view Divergent Fusion for Medical Image Segmentation with Transformers
Rutgers University（罗格斯大学）；SenseBrain Research（SenseBrain研究院）
结合来自多视图图像的信息对于提高用于疾病诊断的自动化方法的性能和鲁棒性至关重要。然而，由于多视图图像的非对齐特性，在很大程度上建立相关性和跨视图的数据融合仍然是一个悬而未决的问题。在这项研究中，我们提出了TransFusion，一个基于transformer的架构，使用卷积层和强大的注意力机制合并发散的多视图成像信息。特别是，发散融合注意力（DiFA）模块提出了丰富的跨视图上下文建模和语义依赖挖掘，解决捕获来自不同图像视图的未对齐数据之间的长程相关性的关键问题。我们进一步提出了多尺度注意力（MSA）来收集多尺度特征表示的全局对应关系。我们在心脏MRI（M\&Ms-2）挑战队列中评估了TransFusion在多疾病、多视图\&多中心右心室分割中的作用。TransFusion展示了领先的性能，并为多视图成像集成开辟了新的前景，以实现强大的医学图像分割。
2022-09-05 cs.CV eess.IV
An Attention-based Multi-Scale Feature Learning Network for Multimodal Medical Image Fusion
University of Toronto（多伦多大学）；The Hospital for Sick Children（病童医院）
医学图像在临床应用中发挥着重要作用。多模态医学图像可以为医生提供丰富的患者信息，便于医生进行诊断。图像融合技术能够将来自多模态图像的互补信息合成到单个图像中。这项技术将防止放射科医生在不同图像之间来回切换，并在诊断过程中节省大量时间。在本文中，我们介绍了一种新的扩张剩余注意力网络的医学图像融合任务。我们的网络能够提取多尺度的深层语义特征。此外，我们提出了一种新的固定融合策略称为Softmax加权策略的基础上Softmax权重和矩阵核范数。大量的实验表明，我们提出的网络和融合策略超过了国家的最先进的性能相比，参考图像融合方法的四个常用的融合度量。
2022-12-09 cs.CV
HiFuse: Hierarchical Multi-Scale Feature Fusion Network for Medical Image Classification
Xinjiang University（新疆大学）；Central South University（中南大学）
在卷积神经网络（CNN）的推动下，医学图像分类得到了迅速发展。由于卷积核的感受野大小固定，难以捕捉医学图像的全局特征。虽然基于自注意的Transformer可以建模长程依赖，但它具有高计算复杂度，并且缺乏局部归纳偏差。大量研究表明，全局和局部特征对图像分类至关重要。然而，医学图像具有大量的噪声，分散的特征，类内变化和类间相似性。本文提出了一种用于医学图像分类的三分支层次多尺度特征融合网络结构Hierarchy。该方法可以在不破坏各自建模的前提下，从多尺度层次上融合Transformer和CNN的优点，从而提高各种医学图像的分类精度。局部和全局特征块的并行层次结构被设计成在各种语义尺度上有效地提取局部特征和全局表示，具有在不同尺度上建模的灵活性和与图像大小相关的线性计算复杂度。此外，自适应分层特征融合块（HFF块）的设计，综合利用在不同层次上获得的特征。HFF块包含空间注意力、通道注意力、残差反转MLP和自适应融合每个分支的各种尺度特征之间的语义信息的捷径。我们提出的模型在ISIC 2018数据集上的准确性比基线高7.6%，在Covid-19数据集上高21.5%，在Kvasir数据集上高10.4%。与其他先进模型相比，Hierarchy模型的性能最好。我们的代码是开源的，可从https://github.com/huoxiangzuo/HiFuse获得。
2022-09-21 cs.CV eess.IV
Wavelet-Fusion Diffusion Model for Multimodal Brain MRI Synthesis with Modality and Metadata Conditioning
Department of Psychology & Neuroscience, Auckland University of Technology（心理学与神经科学系，奥克兰技术大学）；Department of Psychiatry, University of Melbourne（精神病学系，墨尔本大学）
提出一种小波融合扩散模型（WFDM），结合小波融合变分自编码器（WF-VAE）和条件3D U-Net扩散模型，通过显式模态和元数据条件实现多模态脑MRI合成，解决了数据集模态覆盖不均和异质性问题，在分布对齐上优于现有方法。
2026-05-30 cs.CV
Spectral U-Net: Enhancing Medical Image Segmentation via Spectral Decomposition
本研究提出基于谱分解的Spectral U-Net网络，通过DTCWT和iDTCWT实现上下采样并设计对应模块集成到U-Net中，缓解下采样信息损失、增强细节重建，在多个医学图像分割数据集上表现优于现有框架。
2024-09-13 cs.CV eess.IV
