discrete wavelet transform
PulseAugur coverage of discrete wavelet transform — every cluster mentioning discrete wavelet transform across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的无反向传播框架用于甲状腺结节分割
研究人员开发了MedSaab-US，一种用于超声图像甲状腺结节分割的新型框架，该框架不依赖于反向传播或深度学习。该方法结合了多级离散小波变换和多尺度Saab变换来提取特征，然后由XGBoost分类器进行处理。MedSaab-US在TN3K数据集上实现了0.4784的平均Dice系数，模型占用空间小，并具备仅CPU推理能力，为资源受限的环境提供了潜在的替代方案。
-
新型MRI重建技术采用Wavelet-UNet提升细节表现
研究人员开发了一种新颖的变分网络，其中包含基于小波的U-Net（W-UNet），用于加速MRI重建。该方法通过用离散小波变换和逆小波变换模块替换标准的池化操作，增强了欠采样k空间数据的重建。这种方法同时保留了低频结构和高频边缘细节，从而提高了伪影抑制和特征保留能力。在fastMRI膝部和M4Raw脑部数据集上的实验证明了该方法达到了最先进的性能，验证了基于小波分解在加速MRI中的有效性。
-
新的SGFF-Net框架改进了跨模型深度伪造检测
研究人员开发了SGFF-Net，一个用于检测由各种模型生成的深度伪造的新型框架，包括对现有方法构成挑战的扩散模型。该网络集成了空间、梯度和频率表示，以提高跨不同生成范式的检测准确性和鲁棒性。实验表明，SGFF-Net在数据集内评估中实现了高精度，并在跨模型和跨范式场景中显著提高了性能，尤其是在结合数据增强技术时。
-
新AI框架生成功能磁共振成像数据以识别脑部疾病
研究人员开发了一个名为双谱流匹配（DSFM）的新框架来生成功能磁共振成像（fMRI）时间序列数据。该方法通过更好地复制原始BOLD信号的非平稳和动态特性，解决了当前生成模型的局限性。DSFM利用小波和余弦变换来捕捉多尺度变化和能量压缩，最终改进了下游脑部疾病分类任务。
-
基于物理的机器学习从气体传感器数据推断一氧化碳浓度
研究人员开发了一个基于物理的机器学习框架，用于从气体传感器数据推断一氧化碳浓度。该系统分析混合相 SnO-SnO2 材料中的电阻瞬态，利用物理上可解释的描述符和 FFT、DWT 等信号处理技术。研究发现，融合特征通常表现最佳，但基于物理的描述符具有很强的竞争力，表明瞬态动力学已经编码了重要的浓度信息。该框架在 p 型和 n 型传感模式下表现出不同的行为，其中 p 型在分类方面表现出色，n 型在回归方面表现出色。
-
新的Transformer模型提升事件到视频重建质量
研究人员开发了一种名为MSFET-E2V的新模型用于事件到视频重建，旨在将事件相机产生的异步事件流转换为密集的视频帧。这种新颖的多尺度频率增强Transformer模型利用跨域注意力模块，融合了时空特征和从离散小波变换获得的频率感知表示。该方法通过考虑低频和高频分量来增强细节保留和鲁棒性，并包含一个用于伪影抑制的小波增强跳跃块。实验表明，MSFET-E2V在重建质量上优于现有的最先进方法，同时还减少了参数、内存使用和推理时间。
-
新研究质疑 Transformer 在时间序列预测中的叠加机制
研究人员调查了用于时间序列预测的 Transformer 模型内部表示，发现像叠加这样的复杂机制对于获得有竞争力的性能并非必需。使用稀疏自编码器对 PatchTST 等模型进行的研究表明，即使在扩展字典和对潜在干预措施敏感度极低的情况下，表示也保持稀疏和稳定。同时，一项调查和一种名为 DyWPE 的新方法强调了基于 Transformer 的时间序列分析中位置编码的重要性，DyWPE 通过感知信号提高了准确性。
-
RAFNet 引入区域感知融合以实现先进的全色锐化图像生成
研究人员开发了 RAFNet，这是一种旨在通过有效融合低分辨率多光谱和高分辨率全色图像来改进全色锐化的新型网络。该网络通过引入空间自适应细化模块来解决现有深度学习方法的局限性，该模块使用小波变换和 K-means 聚类来创建区域特定的自适应卷积核。此外，聚类频率聚合模块采用稀疏注意力机制来降低计算复杂度，同时提取关键频率特征。实验表明，RAFNet 超越了当前最先进的全色锐化技术。