Jan, 2018

基于深度学习的卷积压缩感知框架 ConvCSNet

PDF
TL;DR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。
compressive sensingconvolutional neural networkimage reconstructionsparsity-based modelpsnr
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

  • 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

  • ReconNet: 从压缩感知随机测量中非迭代重建图像

    本文提出了 ReconNet 算法，该算法采用卷积神经网络和去噪器对压缩感知中的图像进行重建，实现了在较低的感知率下恢复图像的目的。经实验证明，该算法对传感器噪声高度鲁棒，重建图像的质量优于业内同类算法。

    Jan, 2016

  • 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

  • 基于局部结构采样的图像压缩感知编码的深度网络

    该研究提出了一种基于卷积神经网络的图像压缩感知编码框架，使用局部结构采样，并通过测量编码和拉普拉斯金字塔重构方法来提高编码效率和图像恢复质量。实验证明该方法在节省计算时间的基础上，优于现有的压缩感知编码方法。

    Feb, 2024

  • 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

  • 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

  • DeepCodec: 基于深度卷积神经网络的自适应感知与恢复

    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。

    Jul, 2017

  • 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