高频信号处理中的2D小波分解：为何扩散模型不再是首选方案？

1次阅读

共计 1237 个字符，预计需要花费 4 分钟才能阅读完成。

2D 小波分解是图像处理中的经典工具，通过多尺度分析将信号分解为不同频率的子带。其中高频分量（如 HH、HL、LH 子带）承载着图像的边缘、纹理等细节信息，对重建质量至关重要。传统方法中，高频分量常被视为噪声而被简单阈值处理或直接丢弃，导致重建图像出现模糊或伪影。

计算复杂度爆炸 ：扩散模型的迭代去噪过程需要数十甚至上百步计算，处理高分辨率图像时显存占用和耗时呈指数增长。例如处理 512×512 图像时，单次扩散推理可能需要 5 -8GB 显存。
边缘保持能力不足 ：扩散过程的各向同性特性会过度平滑高频信息，实测显示在标准测试集上，扩散模型处理后的高频子带 PSNR 平均降低 2 -3dB。
伪影放大问题 ：在 CT/MRI 等医学图像中，扩散模型可能放大 Gibbs 伪影。实验表明，当输入 SNR<30dB 时，伪影区域 SSIM 值会恶化 0.15 以上。

通过字典学习构建自适应基函数，典型流程：

从训练集提取高频 patch
使用 K -SVD 算法学习过完备字典
用 OMP 算法进行稀疏编码

该方法在 BSD68 数据集上可实现比传统扩散模型快 20 倍的运行速度，同时保持相当的 PSNR 指标。

设计轻量级 CNN 处理高频子带，例如：

import torch
import pywt

class HFProcessor(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(3, 64, 3, padding=1)  # 输入 3 个高频子带
        self.resblocks = nn.Sequential(*[ResBlock(64) for _ in range(5)])

    def forward(self, x):
        return self.resblocks(F.relu(self.conv1(x)))

# 使用示例
img = cv2.imread('input.png', 0)
coeffs = pywt.wavedec2(img, 'db2', level=2)
hf_processor = HFProcessor().cuda()
processed_HH = hf_processor(torch.stack(coeffs[-1]).unsqueeze(0).cuda())