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。

本文研究了深度卷积网络的感受野特性，提出了有效感受野的概念，并分析了其在架构设计中的作用及影响因素。通过引入新模块和方法，提升了特征检测和模型性能，实验证明在多个任务中取得了优异结果。

本文提出了一种自动编码器架构（WLSC），通过二分图的拉普拉斯二次形式实现谱聚类，生成多样的人工感受野，展示了对特定刺激类别的早期专门化。研究强调感受野和放电率的空间正则化在特征分离中的重要性，并探讨了深度学习中的预测编码网络及其在机器学习和神经科学中的应用。