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--------

分享个信号处理、时序、图像方向的黄金组合：小波变换+注意力机制。它很适合想要快速出成果的朋友，创新空间大、顶会顶刊命中率高。

这方向的优势源于两者的融合刚好互补短板，这样就不用堆复杂模块，也不耽误涨点，还能做轻量化设计，适配很多任务场景。不过如今这方向的创新已经不只是绕着简单拼接模块打转了，主流趋势是往小波域注意力设计、多尺度融合、噪声鲁棒性优化这几个方向深挖，明显更容易做出亮点。CVPR25那篇WQMA就是典型例子。

当然，光 有个方向肯定是不行的，建议多关注顶会最新论文和工业界挑战，从中找到自己感兴趣也有优势的切入点。这里我为了帮大家节省查找的时间，我给大家提供更多的发文思路和方向，大家扫码获取！！！

【CVPR】Blind Image Inpainting via Omni-dimensional Gated Attention and Wavelet Queries

研究方法：论文提出一种端到端盲图像修复 Transformer 架构，先对输入特征做小波变换与系数处理并将其作为查询，构建小波查询多头注意力以降低污染干扰、捕捉长程依赖，再设计全维门控注意力实现编码器到解码器的多维度注意力特征高效传递，跳过掩码预测步骤，完成无掩码引导的图像修复。

创新点：

• 提出面向盲图像修复的端到端单阶段Transformer架构，无需掩码预测步骤，直接完成图像修复。

• 设计小波查询多头注意力，将经小波变换与处理的系数作为注意力查询，降低污染区域干扰，提升长程依赖建模能力。

• 提出全维门控注意力，在编码器到解码器的跳跃连接中融合空间、通道、滤波器、核等多维度注意力，强化特征重建效果。

  

  研究价值：论文提出的小波查询多头注意力 + 全维门控注意力端到端盲图像修复方案，摆脱了对掩码预测的依赖，显著提升复杂破损区域修复的精度与结构一致性，在人脸、街景、自然场景等多类数据集上取得更优性能，为无掩码引导的真实场景图像修复提供了高效可行的新思路。

  【Expert Syst Appl】Stockformer: A Price-Volume Factor Stock Selection Model Based on Wavelet Transform and Multi-Task Self-Attention Networks

  研究方法：Stockformer先利用离散小波变换把股票收益率分解为高低频成分，分别提取市场长期趋势与短期突发波动信息，再通过双频时空编码器、图嵌入注意力与多任务自注意力深度融合360个价量因子，最终实现股票收益率与涨跌方向的联合预测。

  

  创新点：

• 采用离散小波变换对股票收益率进行高低频分解，精准捕捉市场长期趋势与短期突发波动，提升时序特征表达能力。

• 设计双频时空编码器，融合时间注意力、空洞因果卷积与时空图嵌入，同时建模股票时序依赖与空间关联。

• 构建多任务自监督学习框架，同步预测股票收益率与涨跌趋势，通过融合注意力强化特征交互，提升预测鲁棒性与实用性。

  

  研究价值：Stockformer提出小波变换+多任务时空注意力的量化选股新范式，有效解决A股市场波动大、噪声高、突发因素影响强的预测难题，在收益与趋势预测上全面超越主流模型，多市场行情下均能稳定获得超额收益，为实盘量化投资提供可靠的算法支撑。

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~~~~