视频压缩感知的深度全连接网络
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
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
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
本文提出了一种新的 Hierarchical InTeractive Video CS Reconstruction Network(HIT-VCSNet)深度网络图像和视频压缩感知方法,通过空间和时间领域中的深度先验共同提取上下文信息,并在不同尺度空间中协同地学习不同帧之间的相关性,在图像和视频压缩感知领域中表现出卓越性能.
Apr, 2023
本文提出了一种名为 DeepBinaryMask 的新型编码器 - 解码器神经网络模型,用于视频压缩感知。该模型通过训练感知矩阵以及视频重建来提高重建性能,并通过分析训练出的感知矩阵的特性来解释性能提升的原因。
Jul, 2016
本文提出了一种基于深度学习模型的视频压缩方法,其中利用神经网络的非线性表征能力和学习基于光流估计获取运动信息并重构当前帧的方法,同时采用两个 auto-encoder 风格的神经网络来压缩相应的运动和残差信息以共同优化所有组件,并通过单一损失函数来一起考虑减少压缩比特数和提高解码视频质量之间的权衡,实验证明该方法在 PSNR 方面优于广泛使用的 H.264 视频编码标准,在 MS-SSIM 方面甚至与最新的标准 H.265 相当。
Nov, 2018
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
本文介绍一种基于多组可逆 3D 卷积神经网络的内存高效型网络,用于压缩成像 (SCI),并将 demosaicing 与 SCI 重建相结合,以直接从 Bayer 测量中恢复彩色视频。实验表明,我们的模型在大规模问题中优于现有的最先进技术,并且内存使用更少,因此可在实际应用中使用。
Mar, 2021
本文提出了一种新的框架,利用视频压缩的低延迟配置和上下文自适应视频融合方法,提高 BasicVSR ++ 方法的质量,已在 NTIRE22 挑战中得到验证,并在定量指标和视觉质量方面与之前的方法相比均有所提高。
Feb, 2023