小伙伴们好，我是小嬛。专注于人工智能、计算机视觉、AI大模型领域相关分享研究。【目标检测、图像分类、图像分割、目标跟踪等项目都可做，相关领域论文辅导也可以找我；需要的可联系（备注来意）】

-------正文开始--------

融合小波变换的深度学习模型是当前的研究热点之一，这个交叉领域热度高、前景好、创新空间大，只要选对结合点和方法，冲顶会顶刊问题不大。

比如+Transformer、+GNN、+KAN、+CNN、+mamba等，就是目前比较前沿而且热度很高的结合方式，而且它们也已经成为了提升性能、解决特定问题的核心手段之一，相关工作频繁出现在CVPR、nature等顶会顶刊上。

如果你也对此感兴趣，现在正是入场的好时机。为了帮助感兴趣的朋友高效定位创新方向，我为了给大家提供更多的发文思路和方向，大家扫码获取！！！

【CVPR】Efficient Multi-scale Network with Learnable Discrete Wavelet Transform for Blind Motion Deblurring

研究方法：论文提出一种单输入多输出（SIMO）高效多尺度去模糊网络 MLWNet，将可学习离散小波变换（LWN）与深度学习结合，在小波域提取方向与频率特征，配合多尺度损失与小波自监督损失，实现高效且细节更优的盲运动图像去模糊。

创新点：

• 提出单输入多输出（SIMO）的多尺度去模糊架构，简化传统由粗到精流程，降低模型复杂度并提升推理效率。

• 设计可学习离散小波变换模块（LWN），将特征投影到小波域，捕捉真实模糊的方向连续性与高低频信息，增强细节恢复能力。

• 构建多尺度监督损失与小波自监督损失，约束小波核学习方向，实现逐像素、逐尺度的精准图像修复。

  

  研究价值：研究提出的MLWNet将可学习小波变换与高效多尺度深度学习结合，显著提升真实场景盲运动去模糊的细节恢复效果与推理速度，为面向真实图像的高效复原任务提供了性能领先、结构简洁的新范式。

  【nature子刊】WMambaFuse: an infrared and visible image fusion network based on wavelet mamba

  研究方法：论文提出WMambaFuse红外与可见光图像融合方法，将小波变换与Mamba、Swin Transformer深度学习结合，采用空间-频率双分支融合，在小波域用多向Mamba增强高频细节并完成高效特征融合。

  

  创新点：

• 采用Swin Transformer作为编码器提取多模态多尺度深度特征，搭配循环解码器在时空维度保持特征连贯性，提升融合结果的结构完整性。

• 设计空间-频率双分支互补融合模块，分别在空间域聚焦局部细节、在小波域处理高频纹理，实现红外与可见光特征的高效互补。

• 提出小波-Mamba融合单元，利用小波分解分离高低频分量，结合多向 Mamba 增强边缘纹理融合效果。

  

  研究价值：研究将小波变换与Mamba、Swin Transformer深度融合，有效解决红外与可见光图像融合中细节丢失、全局结构不一致的问题，为多模态图像融合提供了效果更优、实用性更强的新方案。

感谢各位观众的观看和支持，祝大家的论文早日accept！！

希望论文一路绿灯的朋友可以找我，我有团队，有资源，有背景，一条龙服务~~~~