Apr, 2020

AMP-Net: 基于去噪深度展开的压缩图像感知

PDF
TL;DR本文提出了一种深度展开模型 AMC-Net 来解决视觉图像的压缩感知重构问题，通过展开迭代卷积神经网络来模拟近似消息传递算法的去噪过程，同时集成去块模块以消除在图像压缩感知中经常出现的块状伪影，并联合训练采样矩阵和其他网络参数以提高重构精度。实验结果表明，该方法在重构精度、速度和参数数量等方面均优于其他先进方法。
发现论文，激发创造
  • 从降噪到压缩感知

    该论文提出了一种名为 Denoising-based AMP (D-AMP) 的算法，可以集成各种去噪算法来优化压缩感知重构算法，并且通过分析理论特征，分析出 D-AMP 表现出色的原因在于其迭代中运用适当的 Onsager 校正项将信号扰动与去噪器设计目标接近，同时在自然图像高性能去噪器的辅助下加速十几倍，具有先进的 CS 重建性能。

    Jun, 2014

  • 基于原则的神经网络压缩图像恢复：学习的 D-AMP

    通过借鉴稀疏信号恢复算法的思想并结合神经网络，提出了一种名为 LDAMP 的新网络结构，有效应用于各种测量矩阵中，并在图像恢复的准确性和运行时间方面优于现有算法。

    Apr, 2017

  • 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

  • 基于稀疏性和系数置换的双域 AMP 在图像块压缩感知中的应用

    本文提出了一种新的方法 SCP-AMP 来解决 LDAMP 算法在高维图像重构和细节修复方面存在的问题，SCP-AMP 采用离散余弦变换稀疏策略和系数置换策略来避免块效应，并使用 DCT 领域噪声校正和像素域去噪来进行迭代重构，还使用了多级深度注意力网络（MDANet）来增强纹理细节，实验表明 SCP-AMP 方法在视觉感知和客观指标上都优于其他最先进的 BCS 算法。

    May, 2023

  • NL-CS Net: 基于非局部先验的图像压缩感知深度学习

    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

  • 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

  • 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

  • ADMM-Net：基于深度学习的压缩感知磁共振成像方法

    本文提出了两种新颖的深度学习网络来优化基于压缩感知的磁共振成像（MRI）重建的准确度和速度，这两种网络被称为 ADMM-Nets，在训练阶段，将所有参数进行差异性训练，同时在测试阶段使用已经优化的参数来实现 MRI 重建任务。经过大量实验，ADMM-Nets 实现了最先进的重建精度和快速计算速度。

    May, 2017

  • 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

  • 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