具有三维卷积神经网络先验的密集深度展开网络用于快照压缩成像

ICCVSep, 2021

具有三维卷积神经网络先验的密集深度展开网络用于快照压缩成像

Dense Deep Unfolding Network with 3D-CNN Prior for Snapshot Compressive Imaging

Zhuoyuan Wu, Jian Zhang, Chong Mou

TL;DR本文提出了一种基于 DUN 的快速高效的快照压缩成像算法，采用 3D-CNN 先验和新型密集特征映射（DFM）策略来更好地利用帧间的时空相关性和解决现有 DUN 中相邻相位信息丢失的问题，同时为了提高网络鲁棒性，还提出了密集特征映射适应（DFMA）模块。最终的实验结果验证了我们方法的优越性。

Abstract

snapshot compressive imaging (SCI) aims to record three-dimensional signals via a two-dimensional camera. For the sake of building a fast and accurate SCI recovery algorithm, we incorporate the interpretability of model-based methods and the speed of learning-based ones and present a n

snapshot compressive imaging dense deep unfolding network 3d-cnn prior half-quadratic splitting network robustness

发现论文，激发创造

非训练的神经网络用于快照压缩成像：理论和算法

通过使用未经训练的神经网络（UNNs）模拟源结构，我们开发了一种理论框架来表征这些 UNN 方法的性能，同时利用最近提出的袋装深度图像先验（bagged-DIP）思想开发了快照压缩成像（SCI）袋装深度视频先验（SCI-BDVP）算法，在视频 SCI 中实现了最新技术，甚至在噪声测量情况下优于半监督解决方案。

Jun, 2024

卷积 - Transformer 混合概率先验展开框架及其在视频快照压缩成像中的不确定性估计

本文提出了一种基于 DUN 框架下的 3D 卷积 - Transformer 混合（CTM）模块，该模块利用 Transformer 的 3D 有效可扩展关注模型充分学习时间和空间维度之间的相关性，并引入方差估计来表征重建过程中的高频信息，实验结果表明该模型在视频 SCI 重建方面取得了最好的表现（比此前的 SOTA 算法 PSNR 提高了 1.2dB）。

Jun, 2023

GA-HQS: MRI 通用加速展开重建方法

通过使用二阶梯度信息和金字塔注意力模块以及多尺度拆分变换器，我们提出了一种 “泛加速半二次拆分” 算法，用于 MRI 压缩感知图像加速处理，并在大量实验中验证了该方法的有效性。

Apr, 2023

图像压缩感知的快速分层深度展开网络

本文提出了一种新的快速分层深度展开网络（FHDUN）用于图像压缩感知，并通过加速 FISTA 的策略实现超过 50％的迭代次数节约， FHDUN 优于现有的最先进的压缩感知方法，同时保持更少的迭代次数。

Aug, 2022

通过内容自适应的梯度更新和变形不变的非局部建模的深度展开网络进行图像压缩感知

本文提出了一种适用于图像压缩感知的新型 DUN 网络（称为 DUN-CSNet），通过引入内容自适应梯度更新和变形不变的非局部建模，解决了现有 DUN 网络的两个问题，从而实现了更广泛的上下文先验知识的感知，大幅超越了现有的其他压缩感知方法。

Oct, 2023

采样先验增强深度展开网络用于鲁棒视频压缩感知

本文提出了基于采样先验的深度展开网络（SPA-DUN）用于高效、稳健的视频压缩感知重建。实验表明，SPA-DUN 在各种采样设置下都能取得最先进的性能，具有可解释性和通用性。

Jul, 2023

高效 SCI：稠密连接网络结合时空分解进行大规模视频快照压缩成像

本文提出了一种名为 EfficientSCI 的高效深度学习网络，使用含有密集连接和时空分解机制的单个残差块，通过卷积和 Transformer 等操作，在单一暴光时间内重建视频快照，从而解决了过度模型复杂性和 GPU 内存限制等问题，实验结果表明该算法可以显著优于当前所有先进技术算法，PSNR 值高达 32 dB 以上。

May, 2023

自监督神经网络用于光谱瞬间压缩成像

本文提出了一种结合 DIP 的插入式自监督网络框架，使用未经训练的神经网络解决了快照压缩成像的光谱重建问题，实验证明该算法可以在不使用大量模拟数据的情况下取得与基于训练的网络相媲美的性能，并可与预训练的深度去噪先验结合以获得最先进的结果。

Aug, 2021

基于记忆增强的深度展开网络在压缩感知中的应用

提出一种新颖的具有持久性记忆的深度展开网络（MADUN）用于压缩感知问题，利用高吞吐量短期记忆和跨阶段长期记忆机制来保持和平衡信息，从而增强网络表示能力和性能，超过现有的最先进方法。

Oct, 2021

深度光学视频快照压缩成像

本研究提出了一个深度光学框架来优化掩膜和重建网络，以解决视频快照压缩成像中的动态范围和深度学习算法退化的挑战。通过引入结构掩膜实现对运动感知和全动态范围的测量，并使用 Transformer 开发了一个高效的网络用于视频快照压缩成像重建。在实验中验证了所提出框架的有效性，认为这是实现真实世界视频快照压缩成像的一个里程碑。

Apr, 2024