小波下采样，即插即用

论文：Haar wavelet downsampling: A simple but effective downsampling module

GitHub地址 ：https://github.com/apple1986/HWD

论文地址：                                        https://www.sciencedirect.com/science/article/pii/S0031320323005174  

这篇论文利用频域的小波变化来进行降采样，图像经过小波变化会得到1个低频特征A,和3个高频特征H、V、D。常规的下采样操作普遍面临的信息损失问题，应用Haar小波变换来降低特征图的空间分辨率，可以更完整的保留图像的信息。

```import torchimport torch.nn as nnfrom pytorch_wavelets 
import DWTForward
class Down_wt(nn.Module):    
def __init__(self, in_ch, out_ch):        
super(Down_wt, self).__init__()        
self.wt = DWTForward(J=1, mode='zero', wave='haar')        
self.conv_bn_relu = nn.Sequential(            
nn.Conv2d(in_ch * 4, out_ch, kernel_size=1, stride=1),            
nn.BatchNorm2d(out_ch),            
nn.ReLU(inplace=True),        
)    
def forward(self, x):        
yL, yH = self.wt(x)        
y_HL = yH[0][:, :, 0, ::]        
y_LH = yH[0][:, :, 1, ::]        
y_HH = yH[0][:, :, 2, ::]        
x = torch.cat([yL, y_HL, y_LH, y_HH], dim=1)        
x = self.conv_bn_relu(x)        
return x
if __name__ == '__main__':    
block = Down_wt(64, 64)  # 输入通道数，输出通道数    
input = torch.rand(3, 64, 64, 64)  
# 输入tensor形状B C H W    
output = block(input)    
print(output.size())
```

代码非常简单，只有几行，我们非常简单的将其应用到我们的模型中，用于替换常规的下采样模块，像是卷积下采样、最大池化下采样、平均池化下采样等。