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
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
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
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
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
本文提出了一种新的 Hierarchical InTeractive Video CS Reconstruction Network(HIT-VCSNet)深度网络图像和视频压缩感知方法,通过空间和时间领域中的深度先验共同提取上下文信息,并在不同尺度空间中协同地学习不同帧之间的相关性,在图像和视频压缩感知领域中表现出卓越性能.
Apr, 2023
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
提出了一种新的内容感知可扩展网络 CASNet,采用数据驱动的显着性检测器评估不同图像区域的重要性,并提出基于显着性的块比率聚合策略进行采样率分配,用联合可学习的生成矩阵生成任何 CS 比率的采样矩阵。同时,CASNet 拥有优化启发式恢复子网络和防止阻塞伪影的多块训练方案,该网络能够联合重建不同采样率采样的图像块。
Jul, 2022
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
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