v0lta/PyTorch-Wavelet-Toolbox

해결하는 문제

디지털(Discrete, DWT) 및 연속(Continuous, CWT) 웨이블릿 변환을 딥러닝 워크플로우 내에서 사용할 수 있도록 해주는 PyTorch 네이티브 웨이블릿 변환 구현을 제공합니다. 표준 라이브러리와 달리, GPU 가속과 자동 미분(勾配 지원)의 이점을 누릴 수 있습니다.

작동 방식

이 도구상자는 PyTorch 백엔드를 사용하여 다양한 웨이블릿 연산을 구현합니다:

• 컨볼루션 기반 변환: 1D, 2D, 3D 데이터에서 고속 웨이블릿 변환(fwt)을 위해 conv1d, conv2d, 그리고 그 전치 형태를 사용합니다.
• 스parse 행렬 변환: torch.sparse.mm을 사용하여 경계 웨이블릿을 구현하여 데이터의 경계에 추가 픽셀을 추가하지 않습니다.
• 적응형 웨이블릿: 실험적 지원으로, 신경망 내부의 레이어로서 학습 가능한 곱셈 필터와 최적화 가능한 직교 웨이블릿을 제공합니다.
• 통합: PyWavelets의 기능을 확장하면서도 PyTorch 텐서와의 호환성을 보장합니다.

대상 사용자

다중 해상도 분석과 미분 가능한 웨이블릿 변환을 필요로 하는 신호 처리, 이미지 분석, 신경망 아키텍처 개발 연구자 및 개발자.

주요 특징

• 다차원 지원: 1D, 2D, 3D 데이터에 대한 분석 및 합성 기능을 포함합니다.
• 하드웨어 가속: PyTorch를 통해 완전한 GPU 지원을 제공합니다.
• 미분 가능: 그래디언트를 지원하여 트레이너블한 ML 모델에 통합하기 적합합니다.
• 경계 처리: 패딩 없이 경계를 처리할 수 있는 스파스 행렬 기반 변환을 제공합니다.
• 웨이블릿 패킷: 단일 및 이차원 웨이블릿 패킷 변환을 지원합니다.