LWTformer(CVPR 2026)
1.论文聚焦于古代汉字图像修复。由于年代久远，甲骨文、战国竹简等载体常出现磨损、断裂、噪点等问题，导致笔画模糊、边缘缺失。核心难点在于噪声与精细笔画的深度纠缠，传统方法难以在去噪和保留细节间取得平衡。
2.为此提出名为 LWTformer 的新型网络架构，其核心创新在于将可学习的二维离散小波变换（2D-DWT） 与 Transformer 架构深度融合：
A.可学习小波下采样模块 (WaveDown)：这是论文的核心贡献。它能将图像精确分解为保留整体结构的低频近似分量和捕捉笔画细节的高频细节分量，实现了更符合汉字字形结构的特征分离。
B.空间增强注意力 (SEA)：用于更好地捕捉精细笔画。
C.小波感知卷积门控注意力 (WACGA)：专注于修复受损边缘。
3.实验在甲骨文和战国竹简数据集上进行，结果表明 LWTformer 在定性和定量方面均超越了当前最先进（SOTA）的方法。
Python 计算机视觉 人工智能 目标检测 硕士 深度学习