Apr, 2014

基于结构群稀疏表示的图像压缩感知恢复

PDF
TL;DR本论文提出了一种新的图像压缩感知恢复策略 —— 通过结构分组稀疏表示 (SGSR) 建模，在自适应的分组域中同时强制图像稀疏性和自相似性，并开发了一种高效的迭代收缩 / 阈值算法技术来解决上述优化问题。实验结果表明，这种新的压缩感知恢复策略相对于当前最先进的方案实现了显著的性能改进，并且表现出了不错的收敛性。
compressive sensingsparse representationsgsr modelingiterative shrinkagethresholding algorithm
发现论文，激发创造
  • 使用自适应学习的稀疏基 L0 最小化重构图像压缩感知恢复

    本文提出了一种使用自适应学习的稀疏化基础通过 L0 最小化方法进行图像压缩感知恢复的新框架，通过稀疏表示重叠的图像块，极大地减少了阻塞伪影和限制了 CS 解决方案空间。实验结果表明，我们的算法在 CS 恢复上取得了显着的性能提升。

    Apr, 2014

  • 基于模型的压缩感知

    本文提出了一种基于模型的压缩感知理论，提供了如何创建具有可证明性能保证的基于模型的恢复算法的具体指南，其中包括引入一类新的结构压缩信号以及一个新的充分条件来描述其恢复性能，命名为有限放大性质，这对应于传统压缩感知限制等比性的自然扩展。实验结果表明了这一新理论和算法的有效性和适用性。

    Aug, 2008

  • 深度压缩感知

    本文提出了一种结合压缩感知（CS）和神经网络生成器的新型框架，通过元学习联合训练生成器和优化过程，大大改善了信号恢复的速度和性能，并针对不同目标训练测量并从 CS 视角提出提高生成对抗网络（GANs）的新方法。

    May, 2019

  • 基于组稀疏表示的图像恢复

    本文提出一种基于组的稀疏表示方法（GSR），用于图像恢复，该方法使用具有相似结构的非局部图块作为基本单元，能同时在群域内实现本地稀疏性和非局部自相似性，并采用有效的自适应字典学习方法来提高计算效率和鲁棒性。实验表明，所提出的 GSR 模型比现有的状态 - of-the-art 方法在图像恢复方面性能更好。

    May, 2014

  • 压缩图像感知的深度网络

    本文尝试借助深度网络解决压缩感知中的采样效率和信号恢复的问题，通过训练一个采样矩阵和设计一个类似于压缩感知重构过程的深度网络，我们的实验结果显示，我们的方法相较于现有技术提供了显著的质量提高。

    Jul, 2017

  • 结构化压缩感知：从理论到应用

    本文论述了在压缩感知中利用信号和测量结构进行体现的主题，并将理论与实践相结合，介绍了新的方向及与传统压缩感知的关系。

    Jun, 2011

  • 从压缩数据中恢复图像的高效稳健算法

    本研究提出了一种基于大规模凸优化的非光滑正则化算法，直接解决了压缩感知 (corrupted compressive sensing) 问题，同时提出了针对各种情况的鲁棒压缩感知算法和简单有效的求解扩展问题的算法，在计算效率和求解难度等方面得到了显著提高，同时在几个压缩感知成像任务上取得了良好的效果。

    Nov, 2012

  • 基于深度学习的图像块压缩感知

    本文提出了一种基于块的压缩感知深度学习算法，通过完全连接网络进行块状线性感知和非线性重建，优化了感知矩阵和非线性重构算子，且在重构质量和计算时间方面优于现有技术。

    Jun, 2016

  • 基于局部结构采样的图像压缩感知编码的深度网络

    该研究提出了一种基于卷积神经网络的图像压缩感知编码框架，使用局部结构采样，并通过测量编码和拉普拉斯金字塔重构方法来提高编码效率和图像恢复质量。实验证明该方法在节省计算时间的基础上，优于现有的压缩感知编码方法。

    Feb, 2024

  • 压缩感知：离散优化方法

    本文研究了压缩感知问题，提出了一种基于二阶锥的优化方法，该方法在证明一定正则参数条件下与基础凸优化问题等价的前提下，求解具有优良效果的稀疏向量，该方法相较于当前最优方法具有更高的稀疏性和更低的重构误差

    Jun, 2023