登上Nature和CVPR！小波变换+UNet上大分！

最近 UNet 又出现了不少新成果， 结合小波变换 屡登Nature子刊和CVPR24！比如三路径U-Net模型，利用Haar小波变换大幅提高系统整体性能；再比如利用小波变换的特性来改进U-Net架构的MLWNet网络，性能猛超SOTA！

原因在于，这种结合不仅可以融合两者各自的优点，还能产生新的协同效应！小波变换通过预处理图像提取有用特征，帮助UNet分割；而UNet的跳跃连接结构可以保留细节，结合小波变换的局部化性能提升分割精度。

更赞的是，通过灵活调整小波变换的参数和Unet的架构设计，可以满足不同应用场景的需求。因此，这种可以 全面提升特征提取能力、细节捕捉能力、数据压缩效率 的方法， 是如今图像分割领域的研究热点之一。

为方便论文er找参考，我这边整理了 8篇 小波变换+UNet最新论文（代码） ，需要的同学可以无偿获取，希望能帮大家尽快找到idea中稿。

扫码添加小享， 回复“ 小波分割 ”

免费获取 全部论文+开源代码

WET-UNet: Wavelet integrated efficient transformer networks for nasopharyngeal carcinoma tumor segmentation

方法： 一种结合了小波变换和UNet网络的混合模型，名为WET-UNet，旨在提高鼻咽癌肿瘤图像分割的性能。通过将小波变换集成到UNet网络中，可以增强病变边界信息，并通过使用低频分量来调整编码器的低频部分，优化后续的Transformer计算过程，从而提高图像分割的准确性和鲁棒性。

创新点；

• 将小波变换和Transformer模块集成到改进的UNet架构中，显著提高了鼻咽癌图像分割的准确性和模型鲁棒性。
• 引入了WT和Transformer模块，WET-UNet网络的参数复杂度仍保持在可控范围内。这使得该模型在提高分割性能的同时，保持了适用性，适合实际的临床应用。

Brain tumor segmentation by combining MultiEncoder UNet with wavelet fusion

方法： 论文提出了一种结合了多编码器UNet和小波变换融合的脑肿瘤分割网络。该网络采用晚期融合策略，每个编码器专门处理不同的模态数据，并通过3D离散小波变换的特征融合模块来提取编码器之间的互补特征。作者还引入了一个3D全局上下文感知模块，用于捕获肿瘤体素的长距离依赖关系。

创新点；

• 提出了一种后融合策略的多模态分割网络，采用多编码器和单解码器结构。
• 引入了一种新颖的3D小波融合模块（WFM），基于后融合策略，在每个编码器的不同级别上融合图像特征。
• 通过引入3D全局上下文感知模块，网络能够高效捕获肿瘤体素之间的长距离依赖关系。

扫码添加小享， 回复“ 小波分割 ”

免费获取 全部论文+开源代码

Spectral U-Net: Enhancing medical image segmentation via spectral decomposition

方法： 论文提出了一个名为Spectral U-Net的新型深度学习网络，它基于小波分解技术，特别是利用双树复小波变换进行下采样，以及利用逆双树复小波变换进行上采样。这些技术被整合到U-Net架构中，目的是在下采样过程中减少信息丢失，并在上采样过程中增强细节重建。

创新点：

• 将双树复数小波变换（DTCWT）集成到卷积神经网络框架中，用于在编码阶段进行无损降采样。
• 在编码阶段设计了一个波动块，利用DTCWT将输入特征图分解为低频和高频分量，实现空间分辨率的降低和通道数的增加。
• 在解码阶段，设计了逆波动块，通过逆DTCWT从下采样的波动系数中重建原始输入，保留所有相关信息并重建空间分辨率，有效缓解了信息损失问题。

Finger-UNet: A U-Net based Multi-Task Architecture for Deep Fingerprint Enhancement

方法： 论文介绍的是一个名为Finger-UNet的多任务架构，基于U-Net模型进行指纹增强。文章中使用了离散小波变换（DWT）作为下采样的方法，并提出了一个波小波注意力模块（Wavelet Attention Module），以替代传统的最大池化（max pooling），从而在指纹增强任务中减少信息损失。