CVPRJan, 2016

ReconNet: 从压缩感知随机测量中非迭代重建图像

PDF
TL;DR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。
compressive sensingconvolutional neural networkimage reconstructiondenoisersensor noise
发现论文，激发创造
  • 使用卷积神经网络对压缩感知图像进行非迭代重建

    提出了一种用于低测量率情况下的数据驱动非迭代算法 - ReconNet，它是一个端到端学习的深度神经网络，能够实时地将场景的测量映射到所需的图像块，并且能够在测量噪声存在的情况下产生比迭代算法更高 PSNR 值的重建结果。

    Aug, 2017

  • 基于深度学习的卷积压缩感知框架 ConvCSNet

    通过使用卷积神经网络（CNN）实现基于卷积的压缩感知（CS）框架，从而显着提高了图像重建的质量，而不仅仅是重新构建图像块，并基于自适应收缩基础上设计的 CS 重构网络，我们的方法不仅在 PSNR 方面，还在视觉质量方面优于以前的 CS 方法。

    Jan, 2018

  • 具有循环残差结构约束的鲁棒深度压缩感知

    本文提出了一种新的基于循环残差结构约束的图像压缩感知重构方法，称为 R^2CS-NET，该方法可以在适应性在线优化和图像重构中有效地整合在线优化的鲁棒性和深度学习方法的效率和非线性能力。该方法还可以通过利用通道相关性实现彩色图像压缩感知。经过实验验证，该方法具有较高的鲁棒性和泛化能力，可以在现有的深度压缩感知基准测试中表现出色。

    Jul, 2022

  • 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

  • 非局部神经网络的图像压缩感知

    提出了一种使用非局部神经网络（NL-CSNet）的新型图像压缩感知（CS）框架，利用测量域和多尺度特征域中的非局部自相似先验知识，旨在改善重构质量。

    Dec, 2021

  • 一种轻量级的递归学习网络，用于可持续的压缩感知

    该论文提出一种轻量级深度神经网络，基于逐渐回复图像的分层结构和使用循环学习进行深度重构，以达到高质量重构图像的同时降低计算、能源和存储成本，模型的性能优于现有压缩感知算法。

    Apr, 2023

  • 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

  • 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

  • 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

  • 基于自监督深度降噪方法的单幅图像压缩感知磁共振成像

    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