Feb, 2017

DR2-Net: 基于深度残差重建网络的图像压缩感知

PDF
TL;DR提出基于深度残差网络的压缩感知图像重构算法 DR$^{2}$-Net，通过两个观察，即线性映射可以重建高质量的初步图像，残差学习可以进一步提高重建质量。DR$^{2}$-Net 由线性映射网络和残差网络两个组件构成，实验结果表明其在压缩感知图像重建上胜过传统迭代方法和现有的深度学习方法。
compressive sensingdeep learningimage reconstructionlinear mappingresidual learning
发现论文，激发创造
  • 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

  • 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

  • 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

  • MsDC-DEQ-Net：图像压缩感知（CS）的多尺度扩张卷积深度均衡模型（DEQ）

    利用 MsDC-DEQ-Net 模型，结合压缩感知和神经网络技术，实现自然图像的重建，同时减少存储需求并提高计算效率，通过多尺度扩张卷积进一步增强了性能。

    Jan, 2024

  • 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

  • Dr2Net：动态可逆双重残差网络用于高效调优

    提出了一种称为 Dr²Net 的新型网络结构，通过减少内存消耗来对预训练模型进行微调，达到与传统微调相当的性能但显著减少了内存使用量。

    Jan, 2024

  • 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

  • 多尺度深度压缩感知网络

    本文提出了一种多尺度深度学习压缩感知卷积神经网络（MS-DCSNet），其利用多尺度小波变换将图像信号转换，然后通过卷积模块在不同尺度上进行块的捕获并直接从多尺度测量重建初始重构图像，并利用多尺度小波卷积技术增强最终重构质量，从而学习多尺度采样和多尺度重构，从而改善重构质量。

    Sep, 2018

  • 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

  • 基于块的图像压缩感知的多通道深度网络

    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