Jul, 2016

DeepBinaryMask: 学习二进制掩码进行视频压缩感知

PDF
TL;DR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。
deepbinarymaskvideo compressive sensingencoder-decodersensing matrixreconstruction
发现论文，激发创造
  • 视频压缩感知的深度全连接网络

    本文提出了一种基于深度学习的视频压缩感知框架，通过学习视频序列和测量帧之间的线性映射或深度全连接网络，获取了比以往方法更好的重建质量和速度，在多个视频序列上的广泛模拟中明确了该方法的优越性能，并对数据集规模和层数对重建性能的影响提出了未来研究的几点思考。

    Mar, 2016

  • 大规模视频压缩感知的内存高效网络

    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

  • 深度光学视频快照压缩成像

    本研究提出了一个深度光学框架来优化掩膜和重建网络，以解决视频快照压缩成像中的动态范围和深度学习算法退化的挑战。通过引入结构掩膜实现对运动感知和全动态范围的测量，并使用 Transformer 开发了一个高效的网络用于视频快照压缩成像重建。在实验中验证了所提出框架的有效性，认为这是实现真实世界视频快照压缩成像的一个里程碑。

    Apr, 2024

  • 分布式压缩感知：深度学习方法

    本文探讨用长短期记忆网络作为数据驱动模型来解决多观测向量压缩感知问题的方法，可以通过计算每个向量的非零条目的条件概率，使得解码器重构出稀疏向量。在两个真实数据集上的广泛实验表明，本文提出的方法显著优于传统方法，而且不增加压缩感知编码器的任何复杂性。

    Aug, 2015

  • MetaSCI: 视频压缩感知的可扩展和自适应重构

    该研究论文提出了一种名为 MetaSCI 的元调制卷积网络，用于高速视频快照压缩成像（video snapshot compressive imaging，简称 SCI）重建，该方法能够快速适应新的掩码并扩展到大规模数据，并在实验中展示出优异性能。

    Mar, 2021

  • 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

  • 基于掩码稀疏视觉表示的神经图像压缩

    研究了基于稀疏视觉表示 (SVR) 的神经图像压缩，提出了一种 Masked Adaptive Codebook learning (M-AdaCode) 方法，通过对潜在特征子空间进行掩蔽以平衡比特率和重建质量，在标准 JPEG-AI 数据集上的实验证明了该方法的有效性。

    Sep, 2023

  • 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

  • 神经图像压缩中有效的掩码采样建模探索

    本研究旨在提出一种新的神经图像压缩预训练策略，引入 Cube Mask Sampling Module (CMSM) 以及 Learnable Channel Mask Module 和 Learnable Channel Completion Module (LCMM, LCCM)，有效降低了图像压缩的计算复杂度，同时提高了图像的质量。实验结果表明，与现有的图像压缩方法相比，本方法在 Kodak 和 Tecnick 数据集上实现了更好的性能。

    Jun, 2023

  • 深度卷积压缩感知在 LiDAR 深度补全中的应用

    使用压缩感知和交替方向神经网络技术创建了深度循环自编码器，从稀疏 LiDAR 点集中估计出密集的深度图，并表明此方法在仅使用 1800 个参数的情况下能够优于所有以前发表的结果。

    Mar, 2018