用DB4小波进行多尺度分解，分解级数为6层的降噪程序

做熵改进的可以参考熟悉下，基于熵的改进或者与别的方法结合，里面包含三种熵

多尺度超分辨实验数据

多尺度特征融合图像超分辨率重建

针对目前三维点云关键点检测方法检测的关键点的可描述性和再现性不强，且检测的关键点数量较少的问题，提出了一种新颖的关键点检测算法。首先为提高算法的效率，利用均匀采样方法减少三维点云中点的数量，降低三维点云的复杂度。然后利用具有良好描述性的方向直方图签名(SHOT)描述子对均匀采样的点进行多尺度描述，分析每个点多尺度SHOT描述子的独特性，选取SHOT描述子离散程度较大的点作为关键点。本文方法利用描述性较强的SHOT描述子对关键点的邻域进行描述，增强了关键点的可描述性。实验结果表明，本文方法的均匀采样时间效率高，满足关键点检测的时间要求，且本文检测关键点的方法比Harris3D、尺度不变特征变换（SIFT）、内部形状签名（ISS）关键点检测算法具有更好的再现性。因此，本文方法可以有效、快速地在三维点云模型和场景中检测出高质量的关键点。

在这项工作中，提出了一种用于裂纹检测的深度监督网络。在该网络中，DeepLab被用作密集特征提取器，以获得多尺度卷积特征。采用了一种新的多尺度特征融合模块。 该模块背后的主要动机是解决U形结构中具有语义信息的深层特征在逐层融合过程中被稀释的问题。深度监督学习用于多尺度特征的集成直接监督。此外，采用加权交叉熵损失函数来解决路面裂缝数据的样本不平衡问题。为了进行性能评估，我们分别在三个公共裂缝数据集上进行了实验。实验结果表明，我们的方法优于最先进的裂纹检测方法。

提出顾及空间异质性的多尺度空间负荷预测模型。提出空间变异系数和尺度的概念，在此基础上提出按照空间变异系数对元胞空间进行不规则区域划分的方法，将得到的分区按照不同的相似度阈值进行区域聚类融合，得到不同尺度下的区域划分，然后将每一尺度下得到的结果进行叠加来预测空间负荷的分布。实例验证表明，所提模型提高了空间负荷预测的准确率。

与国际期刊《热与质传递》（International Journal of Heat and Mass Transfer），第175卷，2021年8月的期刊文章“使用半分析模型研究多尺度PCM复合材料中的瞬态传热研究”中使用的模型相关的MATLAB代码。 作者：Adam Dobri，A.Tsiantis，TDPapathanasiou和Yanyan Wang https://doi.org/10.1016/j.ijheatmasstransfer.2021.121389 文章摘要：本文提供了一个半分析模型来描述相变材料（PCM）基复合材料中的瞬态热传递。 一个这样的例子是在石膏灰泥墙中用于建筑应用的微囊化石蜡。 在没有针对眼前问题的分析解决方案的可用性的情况下，并且鉴于问题的全面数值解决方案的计算强度，因此需要可用于PCM墙设计的替代方法。 提出的模型所基于的关键假设是球形石蜡颗粒

针对传统去雾算法结果中颜色和对比度失真等问题,提出了一种基于多尺度融合和对抗训练的图像去雾算法。采用多尺度特征提取模块从多个不同尺度中提取雾霾相关特征,利用残差密集连接模块实现图像特征的交互,避免了梯度消失。由于其不基于大气散射模型,直接将图像的浅层特征和深层特征进行多尺度融合,所以克服了物理模型的不精确性。去雾网络的训练采用生成对抗机制,由多尺度特征提取模块和残差密集连接模块构成的生成器估计清晰的无雾图像,由两个不同尺度感受野的子网络构成的鉴别器完成对抗训练。在RESIDE(Realistic single image dehazing)数据集上进行对比实验,结果表明本算法生成的去雾图像在全参考和无参考的视觉质量指标方面优于其他对比算法。

深层神经网络拥有更强特征表达能力的同时, 也带来了优化难、训练成本高及梯度弥散等问题; 参数数量的激增则导致模型过于臃肿, 不利于其在移动端及工业控制设备等算力弱、存储小的平台上的部署. 针对这些问题, 构建了一种融合空洞卷积和多尺度稀疏结构的轻量神经网络对图像进行特征提取, 实现对带有彩色图形噪声且字符扭曲粘连严重的验证码图像的端到端识别. 将包含100万张验证码图像的数据集按98:1:1的比例划分为训练集、验证集和测试集, 逐批参与训练. 实验结果表明, 该网络在大大减少参数数量的同时, 具有测试集上98.9%的识别成功率.