Jul, 2017

DeepCodec: 基于深度卷积神经网络的自适应感知与恢复

PDF
TL;DR本文提出了一种新型的计算感知框架，以深度卷积神经网络为基础，通过学习从原始信号到少量欠采样信号的转换和从欠采样信号到原始信号的逆转换，实现了结构化信号的感知和恢复。通过与传统压缩感知方法相比较，实验证明所提出的方法在信号恢复的性能、训练速度和参数数量等方面都取得了优异的表现。
发现论文，激发创造
  • 通过深度卷积神经网络学习反演：信号恢复

    本研究致力于解决压缩感知中遇到的两个挑战问题：真实数据在固定基下不是稀疏的；当前的高性能恢复算法收敛速度慢，这限制了压缩感知的应用。通过使用深度卷积神经网络，我们开发了一个名为 DeepInverse 的新信号恢复框架，从测量向量学习逆变换，解决了这两个挑战问题，并取得了实验结果上的成功表现。

    Jan, 2017

  • 深度学习方法应用于结构化信号恢复

    本文提出了一个新的感知和恢复结构化信号的深度学习框架，并应用堆栈去噪自编码器（SDA）进行统计依赖性捕获来提高信号恢复性能。

    Aug, 2015

  • 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

  • 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

  • 深度压缩感知

    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

  • 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

  • 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

  • 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

  • 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

  • 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