ISTA-Net: 可解释的启发式图像压缩感知深度网络优化
本文提出了一种基于深度神经网络的图像压缩感知方法 ISTA-Net++,通过动态展开策略和交叉块策略实现了处理不同比率和多场景图像的优异性能,并通过平衡数据集的训练增强了算法的健壮性,在四个数据集上均表现出了最先进的定量指标和视觉质量。
Mar, 2021
该论文提出了一个结合了模型解释性和通用性的基于深度学习的图像优化网络 FISTA-Net,该网络能够优化不同成像任务的参数,如电磁层析成像和 X 射线计算机断层扫描,并表现出好的泛化能力。
Aug, 2020
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
本文提出了一种使用非局部先验的 CS 方法,称为 NL-CS Net,通过学习解决非局部和稀疏正则化优化问题的扩展 Lagrangian 方法的每个阶段来解决现有网络方法的不足,其中重要参数是端对端学习的,并且在自然图像和磁共振成像实验中表现出更好的性能。
May, 2023
本文提出了一种基于特征空间的优化启发式网络(FSOINet),将像素空间中的近端梯度下降算法逐步映射到特征空间中进行信息流处理。该网络通过端到端学习的方式,同时学习采样矩阵和其他网络参数,实现了比现有领先方法更高的重构质量。
Apr, 2022
本论文提出了一种使用神经网络和误差反向传播算法学习最优阈值函数的数据驱动迭代收缩阈值算法(ISTA),并在稀疏统计信号上进行模拟实验,证明了这种算法在估计质量上的潜在提升。
Dec, 2015
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
从有限的幅度测量数据中恢复未知图像的相位恢复问题是计算成像和图像处理中具有挑战性的非线性逆问题。我们提出的 PRISTA-Net 是一个基于深度展开网络(DUN)和第一阶迭代收缩阈值算法(ISTA)的网络,通过可学习的非线性转换来处理稀疏先验的近端点映射子问题,并利用注意力机制聚焦于包含图像边缘、纹理和结构的相位信息。实验结果表明,该方法在定性和定量评估方面优于现有的最先进方法。
Sep, 2023
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