对于论文er来说，
图像处理
算是个比较好出成果的方向，
结合小波变换
发出的顶会paper也挺多，且idea质量高很值得学习，比如医图顶会MICCAI 2024上的WiNet，一个基于小波变换的增量学习网络，用于高效的医学图像配准，比SOTA减少了1/3的内存占用，同时速度更快。
这里的小波变换其实是图像处理的一种常用数学工具，好用的点在于，它能够同时在时域和频域提供信号信息，反映信号局部变化特征，这让它
在
多尺度分析、高效压缩及去噪能力
上
遥遥领先
，对我们提升图像质量和处理效率非常有帮助。
因此
小波变换在图像处理领域应用范围和研究价值都挺高，属于热点
。不过目前它依然存在一些局限性尚未改进，想在这方向发论文的同学可以挖掘挖掘。我这边挑选了
11篇
最新小波变换+图像处理论文
给大家作参考，帮助大家站在前人研究的成果上做出创新。
扫码添加小享，
回复“
小波图像
”
免费获取
全部论文+开源代码
WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration
方法：
论文讲述的是一种基于小波变换的图像处理方法，特别用于医学图像配准。作者提出了模型WiNet，利用小波变换来估计不同尺度下的位移/速度场，提高了配准的准确性和效率，显著减少了GPU内存消耗。
创新点：
-
WiNet引入了一种增量变形学习模块，通过在不同尺度上估计小波系数来进行变形场的粗到细估计。
-
WiNet在卷积编码器前嵌入了一个可微分的小波变换（DWT）层，使得网络能够在不同频率带的低分辨率表示上进行操作。
-
WiNet在保证准确性的同时，大幅度降低了内存消耗和计算复杂度。
Learning Temporal-ordered Representation for Spike Streams Based on Discrete Wavelet Transforms
方法：
论文提出了一种名为WGSE的方法，首先利用离散小波变换对脉冲流进行多级分解以提取时间-频率特征，然后通过卷积神经网络对这些特征进行学习和增强，最后通过逆小波变换重构出新的脉冲流表示，以提高图像重建和语义分割等视觉任务的性能。
创新点：
-
提出了一种基于小波变换的脉冲流表示方法，以更好地适应不同的网络架构。
-
开发了一种新的WGSE范式，通过结合小波变换和卷积神经网络来增强脉冲流的特征。
-
在图像重建和语义分割任务上取得了性能提升，并构建了一个新的合成数据集“Spike-Cityscapes”以促进未来研究。
扫码添加小享，
回复“
