ICMLMay, 2019

深度压缩感知

PDF
TL;DR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。
compressed sensingneural network generatorsmeta-learningoptimisationgenerative adversarial nets
发现论文，激发创造
  • 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

  • 使用自编码器解决反问题

    通过生成函数和迭代算法解决压缩感知问题，研究了在噪声存在的情况下恢复具有复杂结构信号的表现，并使用自动编码器定义和强制源结构.

    Jan, 2019

  • 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

  • 深度生成对抗网络在压缩感知自动磁共振成像中的应用

    本研究提出了一种利用生成对抗网络在历史病人的诊断质量磁共振图像上训练的压缩感知框架，能够在几毫秒内重建高对比度图像并去除混叠伪影和高频噪声。

    May, 2017

  • 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

  • 自我监督的可扩展深度压缩感知

    提出了一种新颖的自我监督可扩展深度压缩感知方法，称为 SCL 和 SCNet，它不需要 GT，可以处理任意的采样比率和矩阵。实验证明该方法在 1D/2D/3D 信号上取得了显著的效果和优越性能，具有灵活性和泛化能力，可以与最先进的有监督方法竞争。

    Aug, 2023

  • 基于模型的压缩感知

    本文提出了一种基于模型的压缩感知理论，提供了如何创建具有可证明性能保证的基于模型的恢复算法的具体指南，其中包括引入一类新的结构压缩信号以及一个新的充分条件来描述其恢复性能，命名为有限放大性质，这对应于传统压缩感知限制等比性的自然扩展。实验结果表明了这一新理论和算法的有效性和适用性。

    Aug, 2008

  • 生成稀疏潜变压缩感知

    利用神经网络生成模型进行压缩感知的背景信号重建，并通过模拟数据评估了提出的算法。

    Oct, 2023

  • 使用生成对抗网络的任务感知压缩感知

    使用对抗生成网络（GANs）代替稀疏约束来构建结构，针对重建任务进行任务感知型训练，并证明可以不使用（或少量使用）非压缩数据训练模型，最后展示 GAN 的潜空间携带有判别信息，并可进一步规范化以生成用于一般推断任务的输入特征，通过对多种重构和分类问题的实验验证方法的有效性。

    Feb, 2018

  • 结构化压缩感知：从理论到应用

    本文论述了在压缩感知中利用信号和测量结构进行体现的主题，并将理论与实践相结合，介绍了新的方向及与传统压缩感知的关系。

    Jun, 2011