CWNet: Causal Wavelet Network for Low-Light Image Enhancement
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）；Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education（教育部符号计算与知识工程重点实验室）；College of Communication Engineering, Jilin University（吉林大学通信工程学院）
提出CWNet，结合因果推理与小波变换解决低光照图像增强问题，通过度量学习分离混淆因素并引入CLIP语义损失保持因果一致性，在多个数据集上显著优于现有方法。
2025-07-14 cs.CV
Image enhancement using fusion by wavelet transform and laplacian pyramid
SSPM's College of Engineering, Kankavali（SSPM工程学院）
结合多个图像模态以提供单个增强图像的想法已经很好地建立，在文献中已经提出了不同的融合方法。本文是基于拉普拉斯金字塔和小波变换的图像融合方法。相同大小的图像用于实验。实验中使用的图像为标准图像，在原始图像中使用等权值的平均滤波器去除毛刺。用均方误差、归一化绝对误差和峰值信噪比来衡量图像融合技术的性能。从性能分析中，已经观察到，在两种方法的情况下，随着PSNR的增加，MSE减小，在拉普拉斯金字塔的情况下，NAE减小，而对于小波变换方法，NAE为常数。
2013-11-19 cs.CV
Efficient Face Super-Resolution via Wavelet-based Feature Enhancement Network
Beijing University of Posts and Telecommunications（北京邮电大学）
本文提出基于小波的特征增强网络（WFEN），通过小波变换无损分解高低频特征并引入全域 Transformer，在不堆叠模块的前提下高效平衡了人脸超分辨率的性能、模型大小与速度。
2024-07-30 cs.CV
Overlapped Wavelet Diffusion for Low-Light Image Enhancement
提出重叠小波扩散框架OWDiff，通过重叠小波变换消除块伪影，并引入低频引导的高频增强模块恢复细节，在LOLv1和LOLv2-real数据集上优于现有方法。
2026-06-09 cs.CV eess.IV
Zero-Shot Low-Light Image Enhancement via Joint Frequency Domain Priors Guided Diffusion
Chongqing University of Technology（重庆理工大学）；School of Science, Engineering & Environment University of Salford（索尔福德大学科学、工程与环境学院）
本文提出一种零样本低光图像增强方法，通过将扩散过程迁移到小波低频域并结合小波与傅里叶频域构建丰富光照先验，以引导图像生成增强过程，实验证明其在多种场景下鲁棒有效。
2024-11-21 cs.CV
Natural Color Image Enhancement based on Modified Multiscale Retinex Algorithm and Performance Evaluation usingWavelet Energy
Dayananda Sagar College of Engineering（达亚南达·萨加尔工程学院）
本文提出了一种基于改进的多尺度Retinex（MSR）算法的彩色图像增强方法，并采用一种新的尺度--小波能量来评价增强后图像的视觉质量。彩色图像增强是通过对比度拉伸操作将HSV颜色空间转换后的图像的值分量下采样到三个尺度（正常、中等和精细）来实现的。使用MSR算法增强这些下采样值分量。通过在对较低尺度图像进行上采样之后对较低尺度图像的每个像素与较高尺度图像的每个像素进行平均来重构值分量。此过程用较低比例和较高比例的平均像素替换暗像素，同时保留亮像素。在所提出的方法中的重建图像的质量被认为是好的，远远优于其他研究人员的方法。所提出的方案的性能进行评估，使用新的小波域为基础的评估标准，称为小波能量。该方案在小波域计算原始图像和增强图像的能量。与自然增强图像相比，低质量图像的边缘细节数量和小波能量较少。实验结果表明，所提出的基于小波能量的彩色图像质量评估技术可以有效地表征增强图像的局部和全局细节。
2014-06-22 cs.CV
WWE-UIE: A Wavelet & White Balance Efficient Network for Underwater Image Enhancement
National Cheng Kung University（国立成功大学）；National Yang Ming Chiao Tung University（国立阳明交通大学）
WWE-UIE通过整合自适应白平衡、小波增强块和梯度感知模块，实现了高效水下图像增强，减少参数和计算量，适用于实时应用场景。
2025-11-20 cs.CV
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
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
WaterWave: Bridging Underwater Image Enhancement into Video Streams via Wavelet-based Temporal Consistency Field
University of Science and Technology of China（中国科学技术大学）；Hefei University of Technology（合肥工业大学）
WaterWave通过小波基于的时间一致性场，解决水下视频增强中缺乏时间一致性的问题，提升视频质量和下游跟踪任务性能。
2025-12-05 cs.CV
WaMaIR: Image Restoration via Multiscale Wavelet Convolutions and Mamba-based Channel Modeling with Texture Enhancement
Harbin Engineering University（哈尔滨工程大学）
针对CNN类图像复原方法感受野小、纹理复原效果差的问题，提出WaMaIR框架，结合多尺度小波卷积扩大感受野、Mamba通道模块建模长程依赖，并设计多尺度纹理损失，实现更优的复原效果与计算效率。
2025-10-29 cs.CV
Wave-Mamba: Wavelet State Space Model for Ultra-High-Definition Low-Light Image Enhancement
South China University of Technology（华南理工大学）；PAZHOU LAB（琶洲实验室）
本文提出Wave-Mamba，利用小波变换分离高低频信息，通过低频状态空间块和高频增强块实现超高清低光图像增强，在保持精简架构的同时显著超越现有方法。
2024-08-02 cs.CV
A new image compression by gradient Haar wavelet
Shandiz Institute of Higher Education（尚迪兹高等教育学院）
随着人类通信的发展，视觉通信的使用也越来越多。图像压缩方法的进步是增强的主要原因之一。本文首先介绍了JPEG和JPEG2000等图像压缩方法的主要模式，没有详细的数学描述。同时，本文还介绍了梯度Haar小波变换，以构建一个初步的图像压缩算法。在此基础上，提出了一种新的图像压缩方法，提高了图像压缩的标准。通过MAE、PSNAR和SSIM等图像质量指标，将新方法与JPEG和JPEG2000（基于Haar小波）的原始模式进行了比较。图像质量和统计结果证实，可以提高图像压缩标准。建议将该方法应用于部分或全部图像压缩标准中。
2017-09-01 cs.CV cs.MM
GHM Wavelet Transform for Deep Image Super Resolution
University of Arkansas（阿肯色大学）
提出了GHM多级离散小波变换作为卷积神经网络图像超分辨率的预处理方法。以前的作品只使用Haar小波进行分析。在这项工作中，37个单级小波Haar，Daubechies，双正交，反向双正交，Coiflets，和Symlets小波家族进行了实验分析。所有单级小波报告了类似的结果，表明卷积神经网络对单级滤波器方法中的小波选择是不变的。然而，GHM多层次小波实现更高质量的重建比单层次小波。实验中使用了三个大型数据集：DIV2K，纹理数据集和卫星图像数据集。近似的高分辨率图像进行比较，使用七个客观的误差测量。基于卷积神经网络的方法，使用小波变换的图像在文献中有很好的结果。
2022-04-16 cs.CV eess.IV
Low-Light Enhancement in the Frequency Domain
Sun Yat-sen University（中山大学）
针对低照度图像增强中空间域方法易受噪声影响的问题，提出在频域学习的残差递归多小波卷积神经网络R2-MWCNN，通过多级离散小波变换和通道级损失函数同时提升对比度、去噪并校正颜色失真。
2023-06-29 cs.CV eess.IV
Wavelet-based Fourier Information Interaction with Frequency Diffusion Adjustment for Underwater Image Restoration
School of Artificial Intelligence, Nanjing Normal University（南京师范大学人工智能学院）
本文提出水下图像增强框架 WF-Diff，通过小波域傅里叶信息交互网络和频率残差扩散调整模块充分挖掘频域信息，在真实水下图像数据集上取得领先性能。
2023-11-28 cs.CV
Progressive Training of Multi-level Wavelet Residual Networks for Image Denoising
Shaanxi Normal University（陕西师范大学）；Nanjing University of Science and Technology（南京理工大学）；Harbin Institute of Technology（哈尔滨工业大学）
近年来，深度卷积神经网络（CNN）在图像去噪方面取得了巨大成功。虽然更深的网络和更大的模型容量通常有利于性能，但训练非常深的图像去噪网络仍然是一个具有挑战性的实际问题。以多级小波CNN（MWCNN）为例，我们根据经验发现，无论是增加小波分解级别还是增加每个级别内的卷积层，都不能显著提高去噪性能。为了解决这个问题，本文提出了一种多级小波残差网络（MWRN）的结构以及渐进训练（PTMWRN）计划，以提高图像去噪性能。与MWCNN相比，我们的MWRN在每一级离散小波变换（DWT）之后和逆离散小波变换（IDWT）之前引入了几个残差块。为了减轻训练难度，尺度特定的损失被施加到每一个层次的MWRN通过要求中间输出，以近似相应的小波子带的地面真实干净的图像。为了保证尺度损失的有效性，我们还将含噪图像的小波子带作为编码器每个尺度的输入。此外，采用渐进式训练方案，通过从训练MWRN的最低层开始，逐步训练上层，使去噪结果更加精细，从而更好地学习MWRN。在合成和真实世界的噪声图像上的实验表明，我们的PT-MWRN在定量指标和视觉质量方面都优于最先进的去噪方法。
2020-10-23 cs.CV eess.IV
New wavelet-based superresolution algorithm for speckle reduction in SAR images
SAOCOM Mission, National Commission of Space Activities (CONAE)（阿根廷国家空间活动委员会 SAOCOM 任务）
本文提出了一种新的投影算法--投影到跨度算法（POSA），用于合成孔径雷达（SAR）图像的小波超分辨和相干斑（小波域）去除。虽然POSA作为一种新的超分辨率算法用于图像增强，图像计量和生物识别是很好的，这里将使用它作为一个工具的去斑，是第一次超分辨率算法用于SAR图像的去斑。具体地说，SAR图像的斑点分解成小波子带，POSA应用于高的子带，并从修改后的细节系数重建SAR图像。实验结果表明，该方法优于其他几种方法的测试SAR图像相干斑抑制。
2016-07-31 cs.CV
Multi-stage image denoising with the wavelet transform
Northwestern Polytechnical University（西北工业大学）；Harbin Institute of Technology（哈尔滨工业大学）；Peng Cheng Laboratory（鹏城实验室）；University of Macau（澳门大学）；The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳市人工智能与机器人研究院）
深度卷积神经网络（CNN）通过自动挖掘精确的结构信息来用于图像去噪。然而，大多数现有的CNN依赖于扩大设计的网络深度来获得更好的去噪性能，这可能会导致训练困难。在本文中，我们提出了一个多级图像去噪CNN与小波变换（MWD CNN）通过三个阶段，即，动态卷积块（DCB）、两个级联的小波变换和增强块（WEB）以及残差块（RB）。DCB使用动态卷积来动态调整几个卷积的参数，以在去噪性能和计算成本之间进行权衡。WEB使用信号处理技术的组合（即，小波变换）和鉴别学习来抑制噪声，以在图像去噪中恢复更详细的信息。为了进一步去除冗余特征，RB被用来细化获得的特征，以改善去噪效果，并通过改进的残差密集架构重建干净的图像。实验结果表明，所提出的MWDCNN优于一些流行的去噪方法在定量和定性分析。代码可在https://github.com/hellloxiaotian/MWDCNN上获得。
2022-10-03 cs.CV eess.IV
Y-net: Multi-scale feature aggregation network with wavelet structure similarity loss function for single image dehazing
ASUS Intelligent Cloud Services（华硕智能云服务）；Georgia Institute of Technology（佐治亚理工学院）
单幅图像去雾是一个不适定的二维信号重建问题。最近，深度卷积神经网络（CNN）已成功用于许多计算机视觉问题。在本文中，我们提出了一个Y-网，这是命名为它的结构。该网络通过聚合多尺度特征图来重建清晰的图像。此外，我们提出了一个小波结构相似性（W-SSIM）损失函数的训练步骤。在所提出的损失函数中，重复应用离散小波变换将图像划分为具有不同频率和尺度的不同大小的块。所提出的损失函数是具有各自比率的各种贴片的SSIM损失的累积。大量的实验结果表明，所提出的Y-网络与W-SSIM损失函数恢复高质量的清晰图像，并优于国家的最先进的算法。代码和模型可在https://github.com/dectrfov/Y-net上获得。
2020-03-31 cs.CV cs.GR cs.LG
Multi-level Wavelet Convolutional Neural Networks
Harbin Institute of Technology（哈尔滨工业大学）；Changzhi University（长治学院）
在计算机视觉中，卷积网络（CNN）通常采用池化的方法来扩大感受野，具有低计算复杂性的优点。然而，池化会导致信息丢失，因此不利于进一步的操作，例如特征提取和分析。最近，扩张滤波器已被提出来权衡感受野大小和效率。但是伴随的网格效应可能导致具有棋盘图案的输入图像的稀疏采样。为了解决这个问题，在本文中，我们提出了一种新的多级小波CNN（MWCNN）模型，以实现更好的感受野大小和计算效率之间的权衡。核心思想是将小波变换嵌入到CNN架构中，以降低特征图的分辨率，同时增加感受野。具体地说，用于图像复原的MWCNN是基于U-Net架构，并部署逆小波变换（IWT）来重建高分辨率（HR）特征图。所提出的MWCNN也可以被看作是扩张滤波器的改进和平均池化的推广，并且不仅可以应用于图像复原任务，而且可以应用于任何需要池化操作的CNN。实验结果表明，所提出的MWCNN的有效性，如图像去噪，单图像超分辨率，JPEG图像伪影去除和对象分类的任务。
2019-07-06 cs.CV eess.IV
WDMamba: When Wavelet Degradation Prior Meets Vision Mamba for Image Dehazing
School of Computer Science and Technology, Anhui University of Technology（安徽理工大学计算机科学与技术学院）；Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；School of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics（南京航空航天大学计算机科学与技术学院）；College of Artificial Intelligence, Taiyuan University of Technology（太原科技大学人工智能学院）
本文提出WDMamba去雾框架，利用小波退化先验将去雾分为低频恢复与细节增强两阶段，并结合Mamba块和自引导对比正则化，在多个基准上超越现有方法。
2025-05-07 cs.CV
Wavelet Frame Based Image Restoration Using Sparsity, Nonlocal and Support Prior of Frame Coefficients
University of Electronic Science and Technology of China（电子科技大学）
小波框架系统由于其对图像等分段光滑函数具有良好的稀疏逼近能力，在图像复原和其他图像处理问题中得到了广泛的研究和应用。过去，大多数基于小波框架的模型利用框架系数的$l_1$范数来进行稀疏约束。\cite{ZhangY2013, Dong2013}的作者提出了一种$l_0$最小化模型，其中小波帧系数的$l_0$范数被惩罚，并且已经证明，与常用的$l_1$最小化模型相比，可以实现显著的改进。最近，作者在\cite{Chen2015}提出了$l_0$ - $l_2$最小化模型，其中帧系数的非局部先验。该模型被证明优于单一的$l_0$最小化为基础的模型在更好的恢复图像质量。在本文中，我们提出了一个截断的$l_0$ - $l_2$最小化模型，它结合了稀疏性，非局部性和支持先验的帧系数。大量的实验表明，从所提出的正则化方法的恢复结果优于现有的国家的最先进的小波框架为基础的方法，在边缘增强和纹理保持性能。
2015-10-10 cs.CV
Exploring State Space Model in Wavelet Domain: An Infrared and Visible Image Fusion Network via Wavelet Transform and State Space Model
School of Electronics and Information Engineering, Hangzhou Dianzi University（杭州电子科技大学电子信息工程学院）
针对现有红外与可见光图像融合方法频域与全局特征结合不足的问题，提出融合小波变换与状态空间模型的W-Mamba网络，通过Wavelet-SSM模块和跨模态注意力调制实现特征提取与融合，性能优于现有最优方法。
2025-03-24 cs.CV
SPJFNet: Self-Mining Prior-Guided Joint Frequency Enhancement for Ultra-Efficient Dark Image Restoration
针对暗图像恢复方法效率低下的问题，提出SPJFNet，通过自挖掘内源先验和联合频域增强解耦高低频处理，在超越最先进性能的同时大幅降低计算复杂度。
2025-08-06 cs.CV
Wavelet-Based Dual-Branch Network for Image Demoireing
University of Science and Technology of China（中国科学技术大学）；Huawei Technologies（华为技术有限公司）；Huawei Cloud BU（华为云业务单元）
当智能手机相机用于拍摄数字屏幕的照片时，通常会产生莫尔图案，严重降低照片质量。在本文中，我们设计了一个基于小波的双分支网络（WDNet）与空间注意力机制的图像去噪。现有的工作在RGB域的图像复原方法难以区分莫尔条纹和真实场景纹理。与这些方法不同，我们的网络在小波域中去除莫尔图案，以将莫尔图案的频率与图像内容分离。该网络结合了密集卷积模块和扩张卷积模块，支持大的感受野。大量的实验证明了我们的方法的有效性，我们进一步表明，WDNet推广到消除非屏幕图像上的莫尔伪影。尽管WDNet是为图像去moireing而设计的，但它已被应用于另外两个低水平视觉任务，分别在Rain 100 h和Raindrop 800数据集上优于最先进的图像去moireing和去moirein-drop方法。
2020-07-17 cs.CV
A novel approach for glaucoma classification by wavelet neural networks using graph-based, statisitcal features of qualitatively improved images
VIT - AP University（VIT-AP大学）
本文提出一种基于小波神经网络的青光眼分类方法，通过分位数直方图修正与多尺度形态学增强图像，提取局部图结构和图最短路径等多方向统计特征，实验表明其性能优于现有多层感知器方法。
2022-06-24 cs.CV
All-in-One Image Restoration via Causal-Deconfounding Wavelet-Disentangled Prompt Network
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Software, Chinese Academy of Science（中国科学院软件研究所）；Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系）；National Research Center for Information Science and Technology (BNRist)（国家信息科学与技术研究中心（BNRist））；Artificial Intelligence Thrust, The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）人工智能方向）
本文提出CWP-Net，通过因果去混淆和小波解耦技术解决图像恢复中退化模式偏差和虚假相关性问题，提升恢复效果。
2026-03-04 cs.CV
Multi-level Wavelet-based Generative Adversarial Network for Perceptual Quality Enhancement of Compressed Video
Hangzhou Innovation Institute, Beihang University（北京航空航天大学杭州创新研究院）；Department of Computer Science, University of Oxford（牛津大学计算机科学系）
在过去的几年里，通过深度学习来提高视频质量已经取得了快速的发展。现有的方法主要集中在提高压缩视频的客观质量，而忽略了其感知质量。在本文中，我们专注于提高压缩视频的感知质量。我们的主要观察是，提高感知质量主要依赖于恢复小波域中的高频子带。因此，我们提出了一种新的生成式对抗网络（GAN）的基础上，多级小波包变换（WPT），以提高压缩视频的感知质量，这被称为多级小波基GAN（MW-GAN）。在MW-GAN中，我们首先应用具有金字塔架构的运动补偿来获得时间信息。然后，我们提出了一个小波重构网络与小波密集残差块（WDRB）恢复高频细节。此外，通过WPT添加MW-GAN的对抗性损失，以进一步鼓励视频帧的高频细节恢复。实验结果证明了该方法的优越性。
2020-08-02 cs.CV eess.IV
Optimizing 4D Lookup Table for Low-light Video Enhancement via Wavelet Priori
College of Computer Science and Engineering, Chongqing University of Technology（重庆理工大学计算机科学与工程学院）；Chinese University of Hong Kong（香港中文大学）；College of Computer Science, Chongqing University（重庆大学计算机学院）
针对低光照视频增强中色彩映射精度与低延迟难兼顾的问题，提出融合小波先验的4D查找表方法WaveLUT，结合动态融合策略与文本驱动外观重建，实现高效率、指标优且感知友好的实时增强。
2024-09-13 cs.CV eess.IV
Fuzzy based Edge Enhancement using Wavelets and Energy Operator
边缘增强和边缘保持是计算机视觉中的一项重要任务。传统的边缘检测算子可能导致错误的边缘检测。本文提出了一种模糊推理系统（FIS），它结合了基于小波变换的多方向、多层次边缘检测技术，以获得良好的边缘定位。在对原始图像应用WT分解之后，从水平、垂直和对角方向过滤出系数。一个非线性能量算子应用于所有的小波分解，以证实边缘像素。该能量计算的边缘系数被给予到FIS中以更好地增强。由于WT允许在不影响空间局部性的情况下将图像分离成频段，因此进一步强调了真实边缘像素。
2020-05-15 eess.IV
Quantitative and Qualitative Evaluation of NLM and Wavelet Methods in Image Enhancement
本文全面分析了NLM与Daubechies软小波阈值去噪方法在多个数据集上的表现，发现两者在Set12和SIDD上最优，但在含复杂失真的CURE数据集上受限，且NLM视觉质量更佳而小波法在特定频域指标上更优。
2024-09-22 eess.IV
Tunable Wavelet Unit based Convolutional Neural Network in Optical Coherence Tomography Analysis Enhancement for Classifying Type of Epiretinal Membrane Surgery
University of California San Diego（加州大学圣迭戈分校）；Jacobs Retina Center（雅各布视网膜中心）
本文提出基于ResNet18并集成可调小波单元的CNN方法，利用术后OCT扫描自动分类ERM去除手术类型，准确率达78%，显著优于人工评分员的50%。
2025-07-01 cs.CV eess.IV eess.SP
Direct 3D information fusion for depth of field enhancement in optical-resolution photoacoustic microscopy
作为光声显微术的一个重要分支，光声显微术由于激光束的强聚焦而受到景深的限制。提出了一种基于三维平稳小波变换和联合加权评价优化的三维信息融合算法，融合多聚焦光声数据，实现大体积、高分辨率三维成像。首先，对多聚焦数据进行三维平稳小波变换，得到8个小波系数。然后采用基于联合加权评价的差分进化算法对每个小波系数的分块大小进行优化。利用标准差进行焦点检测的融合规则对多焦点三维数据的相应子系数进行融合。最后，通过对融合后的8个子系数进行逆平稳小波变换，实现了大景深的光声显微成像。多焦点垂直倾斜光纤的融合结果表明，该方法在不牺牲横向分辨率的前提下，使光声显微镜的景深提高了一倍。最后通过多聚焦血管数据的融合结果验证了该方法的有效性。我们的工作为实现大体积、高分辨率的光声显微镜提供了一种可行的解决方案，可用于进一步的数据分析、处理和应用。
2022-11-24 eess.IV physics.optics
CWT-Net: Super-resolution of Histopathology Images Using a Cross-scale Wavelet-based Transformer
School of Computer and Information Technology, Beijing Jiaotong University（计算机与信息学院，北京交通大学）；School of Computer Science, Fudan University（计算机科学学院，复旦大学）
针对现有超分辨率方法未考虑病理图像多层次结构的问题，提出融合跨尺度小波变换与Transformer的CWT-Net，通过双分支特征共享与专用小波重建模块提升性能，实验证明其优于现有方法且能提高诊断网络准确性。
2024-09-11 cs.AI cs.CV eess.IV
SWAGAN: A Style-based Wavelet-driven Generative Model
Tel-Aviv University（特拉维夫大学）
近年来，生成对抗网络（GANs）的视觉质量取得了相当大的进展。即便如此，这些网络仍然遭受来自频谱偏置架构的高频内容的质量降级，以及类似的不利损失函数。为了解决这个问题，我们提出了一种新型的通用风格和基于Wavelet的GAN（SWAGAN），它在频域中实现渐进生成。SWAGAN在其生成器和嵌入式架构中集成了小波，在每一步都实施了频率感知的潜在表示。这种方法产生增强的视觉质量的生成的图像，并大大提高了计算性能。我们通过将其集成到SyleGAN2框架中来展示我们的方法的优势，并验证小波域中的内容生成会产生具有更真实高频内容的更高质量图像。此外，我们验证了我们的模型的潜在空间保留了允许StyleGAN作为众多编辑任务的基础的质量，并表明我们的频率感知方法也提高了下游视觉质量。
2021-02-11 cs.CV eess.IV
Monogenic Wavelet Scattering Network for Texture Image Classification
University of California, Davis（加利福尼亚大学戴维斯分校）
散射变换网络（Scattering transform network，简称SCNN）除了使用预定义的卷积滤波器和少量的层之外，具有与流行的卷积神经网络类似的结构，可以生成相对于小变形的输入信号的鲁棒表示。提出了一种新的单基因小波散射网络（MWSN）用于二维纹理图像分类，该网络通过级联具有非线性模和平均算子的单基因小波滤波来代替标准小波变换中的二维Morlet小波滤波。我们的MWSN可以提取有用的层次和方向的特征与可解释的系数，可以进一步压缩PCA和馈送到一个分类器。使用CURET纹理图像数据库，我们证明了我们的MWSN的优越性能，超过标准的GPU。这种性能的提高可以解释为自然扩展的一维解析二维monogenicity。
2022-02-25 cs.CV eess.IV math.CV
Multi-Path Learnable Wavelet Neural Network for Image Classification
尽管深度学习在模式识别方面取得了显著的成功，但深度网络模型面临着训练大量参数的问题。在本文中，我们提出并评估了一种新的多路径小波神经网络结构的图像分类与少得多的可训练参数。该模型架构包括一个多路径布局与几个层次的小波分解并行执行，其次是完全连接的层。这些分解操作包括具有可学习参数的小波神经元，这些参数在训练阶段使用反向传播算法进行更新。我们使用除了SVHN之外没有数据增强的常见图像数据集来评估引入的网络的性能，并将结果与有影响力的深度学习模型进行比较。我们的研究结果支持在不影响其准确性的情况下显着减少深度神经网络中参数数量的可能性。
2019-08-26 cs.CV cs.LG eess.IV
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
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
Subpixel object segmentation using wavelets and multi resolution analysis
Netherlands Cancer Institute（荷兰癌症研究所）
我们提出了一种新的深度学习框架，用于使用小波和多分辨率分析（MRA）快速预测二维单连通域的边界。边界被建模为（分段）使用小波和所谓的金字塔算法光滑的封闭曲线。我们的网络架构是U-Net的混合模拟，其中下采样路径是具有可学习滤波器的二维编码器，上采样路径是一维解码器，其构建从低到高分辨率级别的曲线。可以使用由MRA诱导的任何小波基。这种灵活性允许在曲线的平滑度上并入先验。通过使用Debauches小波在医学图像中描绘简单连通域（器官）的边界并与U-Net基线进行性能比较，证明了所提出方法的有效性。与U-Net相比，我们的模型的推理速度快了5倍，同时在Dice得分和Hausdorff距离方面保持了相似的性能。
2021-10-28 cs.CV eess.IV
U-WNO:U-Net-enhanced Wavelet Neural Operator for fetal head segmentation
Thapar Institute of Engineering & Technology（塔帕尔工程技术学院）；Indian Institute of Space Science & Technology（印度空间科学技术学院）；Indian Institute of Public Health（印度公共卫生学院）
本文提出结合小波分解、算子学习与编解码器机制的U-WNO，利用小波时频局部化优势及下/上采样操作实现空间模式跟踪与函数映射学习，在胎儿头部分割中展现潜力，有望推动多领域精准决策与效率提升。
2024-11-25 cs.CV eess.IV
Deep Adaptive Wavelet Network
Universidad Nacional de Colombia（哥伦比亚国立大学）；The University of Tokyo（东京大学）；McGill University（麦吉尔大学）；Target Corporation（塔吉特公司）；Digital Frontier Inc.（数字前沿公司）
尽管卷积神经网络已经成为计算机视觉许多领域的首选方法，但它们仍然缺乏可解释性，并且通常在繁琐的试错过程中手动设计。本文旨在通过将多分辨率分析集成到深度神经网络设计的核心，提出一种以系统方式设计且可解释的深度神经网络来克服这些局限性。通过使用提升方案，可以生成小波表示并设计能够以端到端形式学习小波系数的网络。与最先进的结构相比，该模型需要更少的超参数调整，并在图像分类任务中达到有竞争力的准确性
2019-12-10 cs.CV cs.LG eess.IV
Wavelet Domain Style Transfer for an Effective Perception-distortion Tradeoff in Single Image Super-Resolution
Imperial College London（帝国理工学院）；ETH Zurich（苏黎世联邦理工学院）；Beihang University（北京航空航天大学）
在单图像超分辨率（SISR）中，给定低分辨率（LR）图像，人们希望找到它的高分辨率（HR）版本，该版本既准确又逼真。最近，它已被证明存在一个基本的权衡之间的低失真和高的感知质量，和生成对抗网络（GAN）被证明可以有效地接近感知失真（PD）界。在本文中，我们提出了一种新的方法基于小波域风格转移（WDST），它实现了更好的PD权衡比GAN的方法。具体来说，我们建议使用二维平稳小波变换（SWT）分解成低频和高频子带的图像。对于低频子带，我们通过增强网络来提高其客观质量。对于高频子带，我们建议使用WDST来有效地改善其感知质量。利用小波的完美重构特性，可以将这些子带重新组合，得到同时具有高客观和感性质量的图像。各种数据集上的数值结果表明，我们的方法实现了现有的最先进的SISR方法之间的失真和感知质量的最佳权衡。
2019-10-09 cs.CV eess.IV
Express Wavenet -- a low parameter optical neural network with random shift wavelet pattern
Institute of Electromagnetics and Acoustics, and Department of Electronic Science, Xiamen University（厦门大学电磁声学研究所与电子科学系）
Express Wavenet是一种改进的光学衍射神经网络。在每一层，它使用类似小波的图案来调制光波的相位。对于n2个像素的输入图像，表示波网减少参数的数量从O（n2）到O（n）。只需要百分之一的参数，而且精度还是很高的。在MNIST数据集中，它只需要1229个参数就可以获得92%的准确率，而标准光网络需要125440个参数。随机移位小波更形象地体现了光网络的特性。特别是训练过程中的梯度消失现象。针对这一问题，提出了一种改进的高速公路结构。实验验证了随机移位小波和高速公路结构的效果。我们的工作表明，光学衍射网络将使用更少的参数比其他神经网络。源代码可在https://github.com/closest-git/ONNet上获得。
2020-01-06 cs.CV cs.LG eess.IV
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
Neuron segmentation using 3D wavelet integrated encoder-decoder network
Shenzhen University（深圳大学）
动机：三维神经元分割是神经元数字化重建的关键步骤，对于探索脑回路和理解脑功能至关重要。然而，神经元中细小的线状神经纤维会在很大的区域内扩散，这给神经元分割带来了很大的计算量。同时，强烈的噪声和神经纤维的断裂也给这项任务带来了巨大的挑战。结果：本文提出了一种基于3D小波和深度学习的3D神经元分割方法。首先将神经元图像划分为神经元立方体以简化分割任务。然后，我们设计了3D WaveUNet，这是第一个3D小波集成编码器-解码器网络，用于分割立方体中的神经纤维;小波可以帮助深度网络抑制数据噪声并连接断裂的纤维。我们还使用最大的可用注释神经元图像数据集BigNeuron生成神经元立方体数据集（NeuCuDa），以训练3D WaveUNet。最后，将分割成立方体的神经纤维组装以生成完整的神经元，使用可用的自动跟踪算法对其进行数字重建。实验结果表明，本文提出的神经元分割方法能够在含噪神经元图像中完整地提取出目标神经元。集成的三维小波可以有效地提高三维神经元分割和重建的性能。可用性：这项工作的数据和代码可在https://github.com/LiQiufu/3D-WaveUNet上获得。
2021-11-08 cs.CV eess.IV
Systematic Evaluation of Wavelet-Based Denoising for MRI Brain Images: Optimal Configurations and Performance Benchmarks
本文系统评估小波去噪在MRI脑图像中的最优配置，发现bior6.8双正交小波结合通用阈值和2-3层分解能显著降噪并保留诊断关键结构。
2025-08-20 eess.IV
Neural networks approach for mammography diagnosis using wavelets features
Suez Canal Univ.（苏伊士运河大学）
研制了一个数字化乳腺X线监视诊断系统。诊断过程是通过将图像的数据转换成一个特征向量，利用小波多层次分解。该向量用作针对分离不同乳房X线照片类别而定制的特征。建议的模型由人工神经网络组成，用于根据肿瘤类型和风险水平对乳房X线照片进行分类。从我们以前的研究中提取的特征向量，使用多级分解，而不是一个层次的分解，增强了结果。放射科医生标记的图像用于评估诊断系统。结果是非常有希望的，并显示未来的工作可能的指导。
2020-03-06 cs.CV cs.LG eess.IV
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
UnWave-Net: Unrolled Wavelet Network for Compton Tomography Image Reconstruction
CY Cergy Paris University（塞尔吉巴黎大学）；ENSEA（法国国立高等电子与应用信息学院）；CNRS（法国国家科学研究中心）；Heriot-Watt University（赫瑞瓦特大学）；UNSAM（阿根廷国立圣马丁大学）；CONICET（阿根廷国家科学技术研究委员会）
本文针对康普顿散射断层成像重建难题，提出UnWave-Net展开小波网络，通过非局部小波正则化捕捉长程依赖并提升计算效率，在静态圆形几何CST上取得最优SSIM和PSNR性能。
2024-06-05 cs.CV eess.IV
Image Super-Resolution Using a Wavelet-based Generative Adversarial Network
本文研究了超分辨率重建问题。由于超分辨率重建在医学、遥感监测、刑事侦查等领域有着广泛的应用，因此成为一个热门话题。与传统算法相比，目前基于深度学习的超分辨率重建算法大大提高了重建图片的清晰度。现有的工作，如超分辨率使用生成对抗网络（SRGAN）可以有效地恢复图像的纹理细节。然而，实验证明，由SRGAN恢复的图像的纹理细节是不鲁棒的。为了得到高频细节更丰富的超分辨率重建图像，改进了网络结构，提出了一种结合小波变换和生成对抗网络的超分辨率重建算法。该算法能有效地重建出具有丰富全局信息和局部纹理细节的高分辨率图像。我们使用PyTorch框架和VOC2012数据集对模型进行了训练，并使用Set5，Set14，BSD 100和Urban100测试数据集对其进行了测试。
2019-07-24 cs.CV eess.IV
WaveFill: A Wavelet-based Generation Network for Image Inpainting
Nanyang Technological University（南洋理工大学）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
图像修补的目的是用真实的内容来填补图像中缺失或损坏的区域。目前流行的方法通过使用生成对抗网络，采用重建和感知质量的混合目标。然而，重建损失和对抗性损失集中在合成不同频率的内容，并且简单地将它们应用在一起通常会导致频率间冲突和受损的修复。本文介绍了WaveFill，一种基于小波的修复网络，它将图像分解为多个频带，并分别明确地填充每个频带中的缺失区域。WaveFill使用离散小波变换（DWT）对图像进行分解，自然地保留了空间信息。该算法对分解后的低频带应用L1重构损失，对高频带应用对抗性损失，从而在完成空域图像的同时有效地缓解了频间冲突。为了解决不同频段的修复不一致性和融合具有不同统计特性的特征，我们设计了一种新的归一化方案，有效地对齐和融合多频率特征。在多个数据集上的大量实验表明，WaveFill在定性和定量上都实现了优异的图像修补。
2021-07-23 cs.CV eess.IV
Learnable Discrete Wavelet Pooling (LDW-Pooling) For Convolutional Networks
National Yang Ming Chiao Tung University（阳明交通大学）；University at Albany - SUNY（奥尔巴尼大学 - 纽约州立大学）；University at Buffalo（布法罗大学）
池化是现代深度CNN架构中用于特征聚合和提取的简单但必不可少的层。典型的CNN设计集中在卷积层和激活函数上，而池化层的选项较少。我们介绍了学习离散小波池（LDW-Pooling），它可以普遍应用于取代标准池操作，以更好地提取特征，提高准确性和效率。受小波理论的启发，我们在二维特征图上采用水平和垂直的低通（L）和高通（H）滤波器进行池化。特征信号被分解为四个（LL，LH，HL，HH）子带，以更好地保留特征，避免信息丢失。小波变换确保池化后的特征可以完全保留和恢复。接下来，我们采用基于能量的注意力学习来精挑细选关键和代表性的特征。LDW-Pooling与其他最先进的池化技术（如WaveletPooling和LiftPooling）相比是有效和高效的。广泛的实验验证表明，LDW-Pooling可以应用于广泛的标准CNN架构，并始终优于标准（最大值，平均值，混合和随机）池化操作。
2021-10-20 cs.CV cs.LG eess.IV
