小波变换凭借多分辨率时频分解能力，正与注意力机制深度结合，成为非平稳信号分析与图像边缘增强的关键技术路径，在故障诊断、生物医学信号、遥感解译等场景持续产出突破。
本文从近年顶会顶刊中整理了10篇两者结合的最新前沿论文，正在做相关课题的伙伴可以直接下方领取论文及代码（部分包含），搭基线、找改进点、扩实验方向都能直接用上。
长按识别下方二维码，回复【小波注意】
无偿领全部论文合集及项目代码
High-Performance Segmentation of Power Lines in Aerial Images Using a Wavelet-Guided Hybrid Transformer Network
基于小波引导混合Transformer网络的航空图像电力线高性能分割
文章内容
针对无人机航拍图像中电力线细长稀疏、背景复杂导致的类别不平衡与边缘模糊问题，该研究提出小波引导Transformer U-Net（WGT-UNet）。模型融合CNN主干、离散小波变换与Transformer解码架构，核心设计小波注意力模块，从高频子带生成空间注意力图直接偏置窗口自注意力打分，强化细线结构聚焦；同时采用五分量混合损失函数联合优化类别平衡、区域一致性与边缘连续性。在TTPLA数据集上，F1-Score达79.33%，IoU达68.38%，以43.84 GFLOPs实现精度与效率的优越权衡。
SFAD-Net: A Dual-Stream Spatial–Frequency Attention Network for Fingerprint Presentation Attack Detection
面向指纹呈现攻击检测的双流空间—频率注意力网络
文章内容
针对指纹呈现攻击检测中跨传感器泛化性弱、高频伪造痕迹易被忽略的问题，该研究提出轻量双流空间—频率注意力网络SFAD-Net。框架并行提取空间域特征与Haar小波频率子带表示，通过注意力引导特征融合模块实现互补信息的判别性学习。模型仅含0.41M参数、2.56G FLOPs，在LivDet 2011/2013/2015数据集上ACER分别为1.56%、1.17%、2.60%，并成功部署于树莓派5，FP16精度下实时帧率达32 FPS，验证了边缘端可行性。
SIDWA: Synthetic Image Detection Based on Discrete Wavelet Transform Stem and Deformable Sliding Window Cross-Attention
基于离散小波变换主干与可变形滑动窗口交叉注意力的合成图像检测
文章内容
针对GAN与扩散模型生成图像的非规则伪影难捕捉问题，该研究提出频率—语义共振双分支框架SIDWA。空间分支设计可变形滑动窗口交叉注意力（DSWA）模块，通过可学习偏移动态扭曲感受野以捕捉扭曲边缘与非线性纹理；频率分支采用DWT Stem将输入分解为多尺度子带，保留高频残留信息，并经频率感知语义共振投影器以空间分支特征为查询引导模型定位伪影异常。在SID基准数据集上平均准确率超95%，A100上单张推理仅18.2ms。
↓↓听说在下方一键三连的都Accept了🌝
