MMMar, 2017

基于非局部拉格朗日乘子和基于块的稀疏表示的图像和视频块压缩感知

PDF
TL;DR本文提出了一种新的改进型总变分技术，利用多块梯度处理、去噪的 Lagrange 乘子和基于图块的稀疏表示方法来改善像素边缘模糊、细节丢失和高频振荡等问题，该方法不仅适用于图像的压缩感知恢复，而且可用于视频的压缩感知恢复。经模拟结果表明，所提出的方法在客观和主观质量上都提升了压缩感知图像和视频的恢复性能。
block compressive sensingmodified total variationmulti-block gradient processingpatch-based sparse representationvideo recovery
发现论文，激发创造
  • 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

  • 盲压缩感知的稀疏变换联合学习模型基于数据驱动

    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

  • 利用非局部拉格朗日乘子的总变差重建压缩感知

    本文中提出了一种基于 Lagrangian 乘子的简单实现方法，即非局部 Lagrangian 乘子（NLLM），以减小噪声并增强有效图像信息，实验结果表明，该方法在恢复图像的客观和主观质量方面都优于其他恢复算法。

    Aug, 2016

  • 通过块稀疏贝叶斯学习进行压缩感知，实现无创胎儿 ECG 的能效无线遥测

    使用块稀疏贝叶斯学习框架对非稀疏原始 FECG 记录进行压缩 / 重建，实验结果表明该框架可以高质量重建记录，并可以使用稀疏二进制感测矩阵压缩记录。

    May, 2012

  • 使用自适应学习的稀疏基 L0 最小化重构图像压缩感知恢复

    本文提出了一种使用自适应学习的稀疏化基础通过 L0 最小化方法进行图像压缩感知恢复的新框架，通过稀疏表示重叠的图像块，极大地减少了阻塞伪影和限制了 CS 解决方案空间。实验结果表明，我们的算法在 CS 恢复上取得了显着的性能提升。

    Apr, 2014

  • 块稀疏性：相干性与高效恢复

    论文研究了基于块稀疏信号的压缩感知问题，提出了块相干度并证明了使用块稀疏性可以比传统方法更好地重构信号。

    Dec, 2008

  • 非局部正则化改进全变差图像压缩感知恢复

    本文介绍了一种基于改进的总变分和非局部正则化的算法，用于压缩感知图像恢复，提高了压缩采样图像的恢复质量和去除了不受欢迎的阶梯效应。

    Aug, 2012

  • 基于结构群稀疏表示的图像压缩感知恢复

    本论文提出了一种新的图像压缩感知恢复策略 —— 通过结构分组稀疏表示 (SGSR) 建模，在自适应的分组域中同时强制图像稀疏性和自相似性，并开发了一种高效的迭代收缩 / 阈值算法技术来解决上述优化问题。实验结果表明，这种新的压缩感知恢复策略相对于当前最先进的方案实现了显著的性能改进，并且表现出了不错的收敛性。

    Apr, 2014

  • 基于残差帧的稀疏重构技术实现的可扩展视频超分辨率框架

    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

  • 动态场景的压缩采集

    本文提出了一种基于线性动态系统的视频压缩感知恢复框架，将视频恢复问题简化为先从压缩测量中估计 LDS 模型参数，然后重建图像帧。利用 LDS 的低维动态参数和高维静态参数来设计一种新颖的压缩测量策略，它只在每个时刻测量场景的动态部分并随时间累积以估计静态参数，并有效地降低了压缩测量率。经过各种实验验证了方法的有效性，包括视频恢复、感知高光谱数据以及从压缩数据中对动态场景进行分类。

    Jan, 2012