本研究提出了一种基于小波的双分支网络，旨在提高多视角糖尿病视网膜病变检测的效果。通过交叉视图融合模块，减少信息冗余，显著提升了对局部病变特征及其全局依赖关系的学习能力。实验结果表明，该方法在大规模公共数据集上表现优异。

本研究提出了一种新颖的零样本低光照图像增强方法，结合小波和傅里叶频域构建先验信息，有效指导图像生成。实验结果表明，该方法在复杂场景下表现出良好的鲁棒性和有效性。

本文介绍了多种基于隐式图像函数的超分辨率方法，如TTSR、UltraSR和IPE-LIIF，强调了注意机制和频率编码在图像纹理恢复中的重要性。这些新方法在图像重建性能和计算效率上均有显著提升。

本研究解决了胶囊内窥镜视频帧中肠胃异常自动分类的有效性问题。通过将全维度门控注意力机制与小波变换技术相结合，模型能够聚焦于内窥镜图像中最关键的区域，提高对微妙特征的检测能力。该模型在不平衡的数据集上取得了92.76%的训练精度和94.81%的平衡精度，显示出显著的分类准确性和临床应用潜力。

本研究解决了传统小波在纹理分割中效果不足的问题，提出使用新近引入的经验小波进行改进。通过引入卡通与纹理分解步骤，实验证明该方法在六个经典测试基准上优于传统小波，具有更好的纹理信息提取能力。

本文针对卷积神经网络（CNN）的过拟合问题，提出了一种新颖的正则化方法——谱小波 dropout（SWD），通过在特征图的离散小波分解中随机丢弃详细频带，提高模型的泛化能力。与现有的傅里叶 dropout 方法相比，SWD 使用单一超参数，并在多个基准测试中表现出更低的计算复杂性与更优的性能。

以小波变换为基础，我们提出了 Wave-Mamba 方法来解决 UHD 图像低光增强问题，通过低频状态空间块和高频增强块的相互作用，有效地提高了低光增强效果。

本文提出了一种多级小波卷积神经网络（MWCNN）模型，通过小波变换优化特征映射，提升图像去噪和超分辨率任务的效果。实验结果表明，该模型在保持硬件友好的同时，显著提高了准确性并降低了计算需求，尤其在ImageNet-1k数据集上表现优异。

基于小波图像编码和语言变换器的自回归图像生成方法。

本文介绍了Kolmogorov-Arnold网络（KAN）及其变体在联邦学习和时间序列预测中的应用，强调了其在可解释性、准确性和计算效率方面的优势。通过引入小波函数，Wav-KAN提升了模型性能，适用于异构数据分布。研究还探讨了KAN在遥感分类和电流体力泵预测中的潜力，显示出其作为强大预测工具的前景。

本文介绍了多种新型深度学习模型在癌症分割中的应用，包括混合多头注意力 U-Net、Wavelet_Attention_UNet 和 OCU-Net。这些模型在脑肿瘤和乳腺癌的分割中表现优异，利用卷积神经网络和注意力机制提高了分割精度，尤其在处理复杂肿瘤边界和细胞核分割方面具有显著优势。

本文介绍了神经算子在求解偏微分方程中的应用，强调其高准确性和速度优势。研究提出了基于小波和傅里叶空间的多种新方法，展示了在交通流和磁流体力学等领域的有效性，推动了数据驱动模型的发展。

该研究提出了基于 Mamba 的图像恢复和分类模型，如 MambaIR 和 RSMamba，利用状态空间模型和卷积技术显著提升超分辨率和分类任务的效果。实验结果表明，这些模型在高分辨率远程感知图像和低光图像处理方面表现优越，具备良好的计算效率和性能。

本文介绍了InceptionTime模型，这是一种高效的深度卷积神经网络，具有良好的可伸缩性和时间序列分类能力。研究表明，该模型在心房功能障碍检测和癫痫预测中表现优异。此外，WaveCNets通过小波变换增强了CNN的抗噪性能，适用于图像分类。

该文综述扩散模型在视频生成中的进展：PVDM在低维潜空间建模，可高效合成任意长度视频；W.A.L.T结合因果编码器与窗口注意力，在视频和图像基准上达到最优；VideoFusion通过分解噪声提升生成质量；MagicVideo实现高效文本到视频生成；HiGen解耦时空因素；GD-VDM分两阶段生成深度视频。

该文综述了基于小波变换的图像复原研究，涵盖去雾、去噪及恶劣天气图像修复等任务。代表性工作包括：DW-GAN利用离散小波变换保留高频信息去雾；小波通道注意力融合网络用于降雨图像去噪；两分支网络结合DWT与ConvNeXt处理非均质去雾；GridFormer、RSFormer等Transformer框架用于恶劣天气图像修复；EWT以DWT/IWT降采样加速去噪；DehazeFormer改进去雾并构建遥感数据集；WaveCNets以DWT替代池化提升抗噪性。

本文研究了利用隐式神经表示 (INRs) 对图像进行参数化的方法，使用小波作为激活函数，并探讨了从 MLP 的第一层中解析出信号的高频特征的方法。建议使用复数小波、解耦低通和带通逼近以及基于信号奇点的初始化方案。

该研究提出了一种基于小波的多尺度深度学习网络，用于改进基于飞机雷达传感器创建的回波图中深雪层的检测。实验结果表明，该网络可以提高F分数。Skip-WaveNet网络具有更高的泛化能力，并以较高的精度估计层深，可用于追踪深雪层、评估冰盖表面质量平衡和预测全球海平面上升。