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
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
本文提出了一种多通道深度网络,通过利用块间相关性来开发基于块的图像压缩感知,从而在消除阻塞伪影的同时实现了块级逼近,巨大地提高了图像恢复的性能。
Aug, 2019
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
提出了一种新颖的自我监督可扩展深度压缩感知方法,称为 SCL 和 SCNet,它不需要 GT,可以处理任意的采样比率和矩阵。实验证明该方法在 1D/2D/3D 信号上取得了显著的效果和优越性能,具有灵活性和泛化能力,可以与最先进的有监督方法竞争。
Aug, 2023
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。
Nov, 2015
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
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