本研究提出了一种在小波域进行多尺度生成建模的方法，有效解决了传统空间域生成模型中的分数病态问题，显著提升了性能，并减少了可训练参数和时间。

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。

本文提出了一种新颖的DiWa方法，用于SISR，结合了DDPMs和DWT，实现在小波频谱上为超分辨图像产生高频信息，从而生成高质量、详细的重建。该方法在定量指标上优于当前最先进的扩散SISR方法，同时使用更少的参数和节省推理时间。

我们通过将生成目标定向到小波领域，将自波领域生成模型的训练和推理速度提升一倍，在语音合成任务中实现与原模型相媲美或更高的性能，并且证明了该方法的多功能性。

本文介绍了XVFI-Net，一种用于处理4K视频的极端VFI网络。该网络采用递归多尺度共享结构，由两个级联模块组成，用于学习双向光流。实验结果显示，XVFI-Net在处理具有极端运动和复杂纹理的对象时表现出了极高的VFI性能。