压缩成像中的无重建动作推断
本文提出了一种基于线性动态系统的视频压缩感知恢复框架,将视频恢复问题简化为先从压缩测量中估计 LDS 模型参数,然后重建图像帧。利用 LDS 的低维动态参数和高维静态参数来设计一种新颖的压缩测量策略,它只在每个时刻测量场景的动态部分并随时间累积以估计静态参数,并有效地降低了压缩测量率。经过各种实验验证了方法的有效性,包括视频恢复、感知高光谱数据以及从压缩数据中对动态场景进行分类。
Jan, 2012
文章提出了一个基于稀疏表示和压缩感知的超分辨率框架,用于在侦察和监视应用中对可扩展视频进行处理,实验结果表明,该框架具有更高的压缩率和更高的视频质量,是一种有效的压缩率更高、图像质量更优的视频处理算法。
Jul, 2017
本文提出基于去噪 - 近似传递消息和 Stein 无偏风险估计器理论的新方法,用于训练深度学习图像去噪器。这些方法能够从少量观测数据中恢复高质量图像,不需要原始图像,也不需要手动设置的图像先验条件,并在各种具有挑战性的压缩感知恢复问题上实现了最先进的性能。
Jun, 2018
本文提出了一种基于压缩视频领域的新方法,旨在通过利用运动向量和残差来加速计算并减少网络参数,在三个常用数据集上实验表明该模型不仅能够保持较高的准确率还具备更高的识别效率。
Nov, 2019
通过对压缩视频进行深度网络培训,利用视频压缩技术,获得了更高密度的信息、4.6 倍于 Res3D 和 2.7 倍于 ResNet-152 的速度以及在 UCF-101、HMDB-51 和 Charades 数据集上均优于其他方法的性能。
Dec, 2017
本文提出了 ReconNet 算法,该算法采用卷积神经网络和去噪器对压缩感知中的图像进行重建,实现了在较低的感知率下恢复图像的目的。经实验证明,该算法对传感器噪声高度鲁棒,重建图像的质量优于业内同类算法。
Jan, 2016
本文提出了一种名为 MOSAIC 的新型压缩感知框架,采用随机选取的压缩测量值,学习测量范围内的单次通用反演映射,结合了嵌入技术以及注意力机制,避免使用深度网络,并在标准数据集上实现了重建精度的最新进展。
Jun, 2023
本论文提出了一种基于选择性特征压缩的动作识别推理策略,通过在时空维度上压缩特征流来显著提高推理效率,从而减少内存使用并略微提高 Top1 精度,实验表明该方法可以代替常用的 30 次裁剪密集采样过程。
Apr, 2021
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
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