Nov, 2015

盲压缩感知的稀疏变换联合学习模型基于数据驱动

PDF
TL;DR本研究提出了一种同时重建基础图像和未知模型的盲压缩感知框架，用于利用稀疏变换或字典中图像 / 图像补丁的稀疏性从高度欠采样的测量中精确恢复图像。我们将这个模型扩展到了一个转换融合模型，以更好地捕捉自然图像中的特征。与其他最近的图像重建方法相比，我们的数值实验表明，提出的框架通常会导致 MRI 图像重建的质量更好。
compressed sensingundersampled measurementsblind compressed sensingimage reconstructionunion of sparsifying transforms
发现论文，激发创造
  • 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

  • 盲压缩感知

    介绍了盲压缩感知的概念，提出了三种可能的基稀疏性约束，并证明了唯一性条件及提出了检索解决方案的简洁方法。在唯一性条件下，只要信号足够稀疏，我们的方法可以通过模拟实现类似于依赖于稀疏基先验知识的标准压缩感知的结果，这提供了一个适用于所有稀疏信号的通用采样和重构系统，无需了解稀疏基，只需满足本文中提出的条件和约束即可。

    Feb, 2010

  • 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

  • MOSAIC：带有选择性注意力的遮蔽优化图像重建

    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

  • 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

  • 基于非局部拉格朗日乘子和基于块的稀疏表示的图像和视频块压缩感知

    本文提出了一种新的改进型总变分技术，利用多块梯度处理、去噪的 Lagrange 乘子和基于图块的稀疏表示方法来改善像素边缘模糊、细节丢失和高频振荡等问题，该方法不仅适用于图像的压缩感知恢复，而且可用于视频的压缩感知恢复。经模拟结果表明，所提出的方法在客观和主观质量上都提升了压缩感知图像和视频的恢复性能。

    Mar, 2017

  • 基于置信传播的贝叶斯压缩感知

    本篇论文介绍了通过使用置信传播算法作为压缩感知的一种近似贝叶斯推断方法，使得压缩感知的编码矩阵可以表示为图形模型，并且通过使用稀疏编码矩阵来降低图形模型的大小来实现快速计算。该算法的复杂度为 O (Klog (N)) 和 O (Nlog^2 (N)), 而且在信号为混合高斯模型时表现出色。

    Dec, 2008

  • 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

  • 高斯混合模型的统计压缩感知

    本研究提出了基于统计压缩感知（SCS）的压缩感知（CS）新框架，探索了基于高斯模型的 SCS，对单高斯模型下的信号进行了深入探究，并介绍了用于 GMM 型的信号模型选择、解码的分段线性估算器，提出了最大后验期望最大化算法用于 GMM 型 - SCS 的解码过程。结果表明，与传统 CS 相比，GMM 型 - SCS 在图像感知应用中具有更低的计算成本且具有更好的结果。

    Jan, 2011