任务         1.实现单帧降噪         2.实现多帧投影         3.实现多帧累积         Bonus:使用À-Trous Wavelet 加速单帧降噪 实现         单帧降噪         这里实现比较简单，直接根据给出的联合双边滤波核的公式就能实现          Buffer2D<Float3> Denoiser::Fil

近年来，随着遥感应用的不断深入，高光谱图像研究已经成为遥感领域发展最迅速的技术之一。与其他传统成像技术相比，高光谱图像具有更多优势：更丰富的信息量、纳米级的光谱分辨率以及范围更广且连续的光谱。因此，在农业、军事、环境监测和食品工业领域有着广泛的应用。 高光谱图像巨大的应用潜力也使得对图像质量的要求日益提高。然而，由于成像系统和环境(传感器敏感度、光子效应、光线条件、校对误差)各种限制因素的影响，

论文地址：https://arxiv.org/ftp/arxiv/papers/1907/1907.10213.pdf 源码地址：https://github.com/zskuang58/WTRN-TIP 概述   这篇论文提出了一种基于小波变换的纹理重构网络（WTRN），用于从参考图像中提取和迁移纹理信息，提高低分辨率图像的质量。该方法利用小波变换将纹理特征分解为不同频率的子带，分别进行

引言 （1）在实际的工业应用中，传统的故障诊断方法受到噪声标签和环境的影响 （2）文提出了一种基于小波变换(WT)和改进残差神经网络(IResNet)的RB的FD方法，命名为WT-IResNet 滚动轴承（RB）的故障诊断（FD） （3）提出的WT IResNet方法使用新的池化层进行降维，并使用全局奇异值分解（SVD）自适应策略进行特征提取。 （4）将原始的softmax层和用于训练的逻辑损失

多任务的基于小波池化矫正的网络 三个多任务 一个区域的篡改检测 一个边缘的篡改检测 一个重构解码器来重构输入图像lx。编码器学习到的特征信息越多，重建图像IxR的质量就越好。 后半部分网络结构相同，但是不共享参数。 分别拿三个Loss去约束。 三个输出相互独立，个人认为还是把区域的pred 和边缘的pred 后面加入一个融合的小网络比较好，层数不用太多，4-5层应该就可以。 或者说，直接