该研究提出了一种基于Transformer-Mamba模块和可学习小波变换的扩散模型，将符号音乐表示为钢琴卷轴，显著提高了音乐生成的质量和可控性。

本研究提出了WaveHiTS模型，结合小波变换和神经分层插值，解决了风向预测中的循环特性和误差累积问题。该模型在真实气象数据上表现优于多种深度学习模型，显著提高了预测精度和稳定性，对风能利用和电网整合具有重要意义。

本研究提出了一种基于深度学习的比特币价格预测模型，采用小波变换去除噪声，显著提高了预测精度。结果表明，该模型在不同时间段的价格预测中优于现有模型，最低预测误差为0.58%。

本研究提出了一种基于小波变换的人脸表情操控方法WEM-GAN，旨在解决表情标签控制导致的面部特征细节丧失问题。通过结合小波变换与U-net自编码器，提升了面部特征的保存，并利用高频成分鉴别器和对抗损失提高了生成图像的质量与身份保持能力。实验结果表明，该方法在AffectNet数据集上优于以往技术。

本研究提出了一种新颖的状态空间架构，结合小波变换，提升了传统扩散模型在图像生成中的局部特征感知能力。实验结果表明，该方法在基准测试中优于现有模型，训练收敛更快，输出质量更高。

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，增强对低频信息的响应，提高CNN的鲁棒性和形状识别能力。

本研究提出了一种名为DENSER的新框架，用于动态城市环境场景重建中的动态物体建模。通过结合小波变换动态估计球谐基，DENSER能够更有效地表示动态物体的外观，并通过密集化点云提高物体形状表示的精确性，显著提升了动态场景重建的效果。实验证明，该方法在KITTI数据集上相较于现有技术有显著提高。

本研究提出了一种基于网络流量的异常检测方法，结合滑动窗口、小波变换和栈式自编码器，显著提升了检测性能。同时，研究还探讨了交通拥堵检测和流量特征分析，均取得良好分类效果。

该研究提出了一种新算法，结合随机梯度下降和拟牛顿法，通过独立Hessian近似值实现高维优化。该算法在七个优化问题上表现出改进的收敛性，并已发布为开源软件包。此外，研究探讨了深度神经网络在数值分析中的应用，提出自适应学习基函数和小波变换方法，在分类和回归任务中显示出优越性。

本文研究视频中的重复性问题，采用小波变换处理动态视频，提出三种基本运动类型和18种周期性运动情况。通过QUVA Repetition数据集验证理论，结果优于深度学习方法。同时探讨事件相机技术在深度感知、极化成像和3D动作捕捉中的应用，提出多种新方法和工具，显示出高效性和准确性。

本文介绍了一种基于小波变换的图像处理方法，显著提升了图像风格转换、去模糊和增强的效果。该方法通过分解图像频率成分，优化了图像质量和处理效率，在多个基准测试中表现优于现有技术，具有广泛的应用潜力。

该论文提出了多种基于小波变换和卷积神经网络（CNN）的新模型，旨在提升图像去模糊、去噪和分类的性能。这些模型在准确性和计算效率上表现优异，适用于城市景观和医学图像等多种应用。

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。

本文探讨了视觉 Transformer 在图像处理中的应用，提出了 MAGVIT-v2 和基于小波变换的图像分词器等改进方法，显著提升了图像生成和分类的效率与准确性。通过新的标记方案和模型，增强了对全局信息的学习能力和鲁棒性，推动了图像生成的多样性和一致性。

本文探讨了基于小波域损失函数的超分辨率模型训练，提出了WaveMixSR架构，利用离散小波变换提升性能。研究设计了新的关注区块和Hybrid Attention Transformer模型，结合局部与全局特征，显著改善了超分辨率模型在真实世界图像上的适应能力和细节恢复能力。

本文介绍了一种新型卷积神经网络，结合小波变换与通道注意力模块，显著提升图像去噪效果。研究提出多种基于小波变换的网络结构，针对去雾、去模糊和高光谱图像重建等问题，均表现出优于现有方法的性能。

本文介绍了多种基于小波变换和深度学习的模型，如MultiWave框架、WFTNet和WaveletFormerNet，旨在提升时间序列数据的预测性能。这些方法在处理复杂信号和图像恢复方面表现出色，实验结果显示其准确性和泛化能力优于传统模型。

该研究提出使用神经网络辅助的额外lifting步骤来增强传统小波变换中的冗余性，提高降低分辨率后重建图像的视觉质量。应用于JPEG 2000图像编码标准中，能够在广泛的比特率范围内实现高达17.4%的平均BD比特率节省，同时保持JPEG 2000的质量和分辨率可扩展特性。