拉普拉斯金字塔通过多尺度分解保留高频信息，广泛应用于图像融合、增强和压缩。其构建过程包括高斯金字塔的下采样和上采样，实现图像的多尺度分析。

本研究提出HiFiSeg网络，通过全局-局部视觉变换器框架，解决肠息肉分割中高频信息捕捉难题，提高检测和分割精度。实验表明，HiFiSeg在多个数据集上表现出色，尤其在CVC-ColonDB和ETIS数据集上mDice评分更高。

本文提出了PeriodWave-Turbo模型，通过对抗流匹配优化，改进了波形生成的速度和质量，减少推理步骤，提升生成样本的高频信息。在LibriTTS数据集上取得了前所未有的性能。

本文提出了一种新颖的DiWa方法，用于SISR。该方法将DDPMs与DWT相结合，能够在小波频谱上产生高频信息，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，参数更少，推理时间更短。

该研究提出了一种新的基于频域引导的多尺度扩散模型（FDDiff），通过细化的步骤将高频信息的补充过程分解为更精细的步骤，以逐步补充缺失的高频细节，并利用多尺度频率细化网络在一个统一的网络中预测所需的多尺度高频成分，通过对流模型在图像超分辨率任务中生成高质量图像，并在广泛的评估中展示了其优于先前的生成方法的结果。

该文章介绍了一种基于2D离散小波变换的去雾网络（DW-GAN），利用小波变换保留高频信息，采用Res2Net提高泛化能力，并通过基于补丁的鉴别器减少图像恢复的伪影。该方法在定量和定性上优于现有的去雾方法。