本文提出了一种新型的计算感知框架,以深度卷积神经网络为基础,通过学习从原始信号到少量欠采样信号的转换和从欠采样信号到原始信号的逆转换,实现了结构化信号的感知和恢复。通过与传统压缩感知方法相比较,实验证明所提出的方法在信号恢复的性能、训练速度和参数数量等方面都取得了优异的表现。
Jul, 2017
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
本文提出了一种单图像自监督压缩感知磁共振成像框架,能够实现压缩感知估计的深度与稀疏正则化,有效降低结构化压缩感知伪影,提高图像质量。通过对大脑和膝盖数据集使用 Cartesian 1D 掩码进行度量评估,平均峰值信噪比 (PSNR) 提高了 2-4dB。
Nov, 2023
本研究致力于解决压缩感知中遇到的两个挑战问题:真实数据在固定基下不是稀疏的;当前的高性能恢复算法收敛速度慢,这限制了压缩感知的应用。通过使用深度卷积神经网络,我们开发了一个名为 DeepInverse 的新信号恢复框架,从测量向量学习逆变换,解决了这两个挑战问题,并取得了实验结果上的成功表现。
Jan, 2017
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
通过生成函数和迭代算法解决压缩感知问题,研究了在噪声存在的情况下恢复具有复杂结构信号的表现,并使用自动编码器定义和强制源结构.
Jan, 2019
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。
该文提出了一个数据驱动的方法,使用深度学习中的自动编码器来共同设计复杂稀疏信号的测量矩阵和支持恢复方法,该方法可以有效地利用稀疏性质,具有低计算复杂度,并在设备活动检测中取得了显著的性能提升。
Oct, 2019
该论文提出一种基于深度学习的动态网络深度算法,通过在每一层引入终止得分,学习了解每个任务需要执行几层以获得最佳输出,并在稀疏信号恢复和通信信道估计方面表现出更高效和更好的性能。
Oct, 2020
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。
Apr, 2014