El registro de imágenes médicas es esencial en prácticas clínicas como la navegación quirúrgica y el diagnóstico guiado por imágenes. La arquitectura Transformer de TransMorph demuestra una mayor precisión en tareas de registro no rígido. Sin embargo, sus priors de localidad espacial más débiles requieren conjuntos de datos de entrenamiento a gran escala y un gran número de parámetros, lo que entra en conflicto con los datos anotados limitados y las demandas en tiempo real de los flujos de trabajo clínicos. Además, el muestreo tradicional hacia abajo y hacia arriba siempre degrada las características anatómicas de alta frecuencia, como los límites de tejidos o las lesiones pequeñas. Hemos propuesto WaveMorph, un método ConvNeXt multi-escala guiado por wavelets para el registro de imágenes médicas no supervisado. Se propone un módulo de muestreo hacia abajo de fusión de características de wavelet multi-escala novedoso mediante la integración de la arquitectura ConvNeXt con la descomposición lossless de wavelet Haar para extraer y fusionar características de ocho subimágenes de frecuencia utilizando núcleos de convolución multi-escala. Además, se introduce un módulo de muestreo hacia arriba dinámico y ligero en el decodificador para reconstruir estructuras anatómicas detalladas. WaveMorph integra el sesgo inductivo de las CNN con las ventajas de los Transformers, mitigando efectivamente las distorsiones topológicas causadas por la pérdida de información espacial y al mismo tiempo admitiendo inferencias en tiempo real. En ambas tareas de registro de atlas-a-paciente (IXI) e inter-paciente (OASIS), WaveMorph demuestra un rendimiento de vanguardia, logrando puntuaciones de Dice de 0,779 +/- 0,015 y 0,824 +/- 0,021, respectivamente, e inferencia en tiempo real (0,072 s/imagen), validando la efectividad de nuestro modelo en el registro de imágenes médicas.