融合小波变换的深度学习模型是当前的研究热点之一这个交叉领域热度高、前景好、创新空间大只要选对结合点和方法冲顶会顶刊问题不大。比如Transformer、GNN、KAN、CNN、mamba等就是目前比较前沿而且热度很高的结合方式而且它们也已经成为了提升性能、解决特定问题的核心手段之一相关工作频繁出现在CVPR、nature等顶会顶刊上。如果你也对此感兴趣现在正是入场的好时机。本文整理了41篇小波变换深度学习前沿论文附代码可以帮助你紧跟领域技术进展快速掌握主流研究方法需要可无偿自取全部论文开源代码需要的同学看文末【CVPR】Efficient Multi-scale Network with Learnable Discrete Wavelet Transform for Blind Motion Deblurring研究方法论文提出一种单输入多输出SIMO高效多尺度去模糊网络 MLWNet将可学习离散小波变换LWN与深度学习结合在小波域提取方向与频率特征配合多尺度损失与小波自监督损失实现高效且细节更优的盲运动图像去模糊。创新点提出单输入多输出SIMO的多尺度去模糊架构简化传统由粗到精流程降低模型复杂度并提升推理效率。设计可学习离散小波变换模块LWN将特征投影到小波域捕捉真实模糊的方向连续性与高低频信息增强细节恢复能力。构建多尺度监督损失与小波自监督损失约束小波核学习方向实现逐像素、逐尺度的精准图像修复。研究价值研究提出的MLWNet将可学习小波变换与高效多尺度深度学习结合显著提升真实场景盲运动去模糊的细节恢复效果与推理速度为面向真实图像的高效复原任务提供了性能领先、结构简洁的新范式。【nature子刊】WMambaFuse: an infrared and visible image fusion network based on wavelet mamba研究方法论文提出WMambaFuse红外与可见光图像融合方法将小波变换与Mamba、Swin Transformer深度学习结合采用空间-频率双分支融合在小波域用多向Mamba增强高频细节并完成高效特征融合。创新点采用Swin Transformer作为编码器提取多模态多尺度深度特征搭配循环解码器在时空维度保持特征连贯性提升融合结果的结构完整性。设计空间-频率双分支互补融合模块分别在空间域聚焦局部细节、在小波域处理高频纹理实现红外与可见光特征的高效互补。提出小波-Mamba融合单元利用小波分解分离高低频分量结合多向 Mamba 增强边缘纹理融合效果。研究价值研究将小波变换与Mamba、Swin Transformer深度融合有效解决红外与可见光图像融合中细节丢失、全局结构不一致的问题为多模态图像融合提供了效果更优、实用性更强的新方案。关注下方《学姐带你玩AI》回复“222”获取全部方案开源代码码字不易欢迎大家点赞评论收藏