WTConv：小参数大感受野，基于小波变换的新型卷积 | ECCV'24 - 晓飞的算法工程笔记

研究者尝试通过增加CNN的卷积核大小来模拟ViTs的全局感受野，但效果有限。

论文提出用小波变换（WT）实现大感受野，避免过参数化。

新方法WTConv层可替代现有架构，提升多频响应能力，适用于图像分类和语义分割。

WTConv通过小波分解和小卷积核扩展感受野，参数增长缓慢。

WTConv增强对低频信息的响应，提高CNN的鲁棒性和形状识别能力。

WTConv作为深度可分离卷积的替代品，可以在任何CNN架构中直接使用。

论文展示了WTConv在ConvNeXt和MobileNetV2架构中的有效性。

WTConv在多个关键计算机视觉任务中提升了CNN的结果。

小波变换的每一级增加感受野大小，同时仅小幅增加可训练参数数量。

WTConv层的构建旨在比标准卷积更好地捕捉低频信息。